نماذج ومنصات الذكاء الاصطناعي
AWS تُتيح تدريب جميع الأوزان لتخصيص SageMaker بلا خوادم

النقاط الرئيسيةيُحدّث الضبط الدقيق الكامل كل وزن بينما تُجمّد LoRA الأوزان المدربة مسبقًا وتُدرج…
عرض المزيد
- يُحدّث الضبط الدقيق الكامل كل وزن بينما تُجمّد LoRA الأوزان المدربة مسبقًا وتُدرج محوّلات منخفضة الرتبة.
- تسبّبت معدلات التعلّم العدوانية البالغة 5e-5 أو أعلى في نسيان كارثي مع انخفاض دقة MMLU إلى 3.6%.
- تُزيل عملية التشغيل بلا خادم إدارة البنية التحتية لكنها لا تقلّل عدد الأوزان التي يجري تدريبها.
أعلنت Amazon Web Services في 18 نوفمبر 2026 إتاحة الضبط الدقيق الكامل (FFT) ضمن خدمة SageMaker AI Serverless Model Customization، وأفادت بتحقيق دقة دلالية بلغت 90.0% في تجربة برمجية استخدمت أكثر من 100,000 مثال تدريبي، مع التحذير من أن الإعدادات المكثفة أدت إلى خسائر كبيرة في المعرفة العامة.
يقدّم العملاء نموذجًا أساسيًا ومجموعة بيانات ومعلمات فائقة؛ وتتولى الخدمة تخصيص موارد الحوسبة وإدارة نقاط التحقق من دون الحاجة إلى توفير وحدات معالجة رسومية أو إعداد عناقيد أو تهيئة التدريب الموزع. وفي مثال AWS باستخدام SageMaker Python SDK، يعني التبديل بين الطريقتين استبدال TrainingType.FULL بـ TrainingType.LORA، مع إبقاء بقية إعدادات المهمة كما هي.
يحدّث الضبط الدقيق الكامل كل وزن في النموذج. أما LoRA فيُبقي الأوزان المدرَّبة مسبقًا ثابتة ويضيف مصفوفات محوّلات منخفضة الرتبة، ما يقلل متطلبات سعة وحدات معالجة الرسوميات، لكنه يحصر التحديثات في فضاء تمثيلي أصغر. وتوضح AWS أن التدريب كامل الرتبة قادر على استيعاب تكيّفات أكثر تعقيدًا مع ازدياد مجموعات البيانات، بدلًا من الاكتفاء بزيادة عدد المعلمات القابلة للتدريب.
اختبارات برمجية مضبوطة
قارنت AWS بين الطريقتين باستخدام الضبط الدقيق الخاضع للإشراف (SFT) لنموذج أساسي Qwen3-4B، مع توحيد المطالبات والأهداف ورمز التقييم. وقدّمت مجموعة بيانات Magicoder-Evol-Instruct-110K أزواجًا من التعليمات البرمجية واستجاباتها، شملت تصميم الخوارزميات وتصحيح الأخطاء وهياكل البيانات وبرمجة الأنظمة. وقُسّمت البيانات إلى 99,000 سجل للتدريب و5,500 للتحقق و5,500 لمجموعة اختبار محجوبة.
فصلت التقييمات بين أداء المهمة والاحتفاظ بالمعرفة. واستخدمت AWS نموذج Amazon Nova Pro بصفته حكمًا قائمًا على نموذج لغوي كبير، إذ قرأ الشيفرة المولَّدة مع المطالبة الأصلية لتقييم صحتها المنطقية. وقاس PRIMECODE مدى التشابه مع الحلول المرجعية باستخدام مقاييس حتمية هي BLEU وROUGE-1/2/L وF1، بينما اختبر MMLU المعرفة العامة في 57 تخصصًا أكاديميًا.
أفادت AWS بأن درجة الصحة الدلالية بلغت ذروتها بعد ثلاثة عصور تدريبية، وأن إطالة التدريب أدت إلى تراجع أداء كل النماذج المختبرة. وأظهرت مقارنتها بالرسم الراداري تفوق FFT على LoRA والنموذج الأساسي في كل بُعد من أبعاد الجودة المعروضة، مع أكبر الفوارق في BLEU وROUGE-2، ما يشير إلى أن الفرق لم يقتصر على مقياس واحد.
ذكرت AWS أنها أجرت عشرات تجارب التخصيص على نماذج أساسية متعددة، مع تغيير معدل التعلم وحجم الدفعة ونسبة الإحماء وعدد عصور التدريب وحجم مجموعة البيانات؛ واستغرقت كل تجربة من إرسال المهمة حتى التقييم بضع ساعات. وسُجّلت النماذج الناتجة تلقائيًا بوصفها حزم نماذج ذات إصدارات في SageMaker Model Registry، لمراجعتها أو نشرها.
مخاطر النسيان في الضبط الدقيق الكامل
حذّرت AWS من أن الضبط الدقيق الكامل ليس متفوقًا في جميع الحالات: فقد كان أداء كل من FFT وLoRA أدنى من أداء النموذج الأساسي في المطابقة التامة لمقياس MATH، كما رجحت مقارنة منفصلة باستخدام نموذج لغوي كبير للحكم كفة LoRA بنسبة 81.5%، مقابل 79.5% لـFFT.
أدت معدلات التعلم المرتفعة إلى خسائر كبيرة. ففي اختبارات AWS، هبطت درجات MATH إلى 2–3% ودقة MMLU إلى 3.6% عند معدل 5e-5 أو أعلى، وهو ما يدل على النسيان الكارثي، أي فقدان القدرات الأوسع عندما يطغى التدريب المتخصص في مجال معين على المعرفة المكتسبة مسبقًا. وحددت خريطة المخاطر التي أعدتها AWS معدل 2e-5 بوصفه إعدادًا أكثر أمانًا لمجموعات البيانات الكبيرة؛ وكان خط الأساس الذي جمع هذا المعدل مع إحماء بنسبة 5% وحجم دفعة إجمالي قدره 8 هو الأفضل في الحفاظ على المعرفة العامة، وفقًا لقياس MMLU، من بين الإعدادات المختبرة.
أثر حجم الدفعة أيضًا في الاحتفاظ بالمعرفة. فعند تثبيت معدل التعلم، أدت الدفعات الأصغر إلى تحديثات أكثر ضجيجًا، كان تأثيرها شبيهًا بمعدل تعلم أعلى، وزادت مخاطر النسيان. أما الدفعات الأكبر فقللت الضجيج، لكنها قللت أيضًا عدد خطوات التحسين، ما قد يؤدي إلى قصور في تدريب النموذج.
مفاضلات النشر
يتوفر الضبط الدقيق الخاضع للإشراف باستخدام FFT لنماذج مفتوحة الأوزان، منها DeepSeek R1 Distill Qwen 1.5B وGoogle Gemma 4 26B A4B وNVIDIA Nemotron 3 Nano 30B (A3B)، وفقًا إلى قائمة النماذج المدعومة لدى AWS.
توضح وثائق FFT أن هذه الطريقة تستخدم تنسيقات مجموعات البيانات نفسها التي يستخدمها LoRA، لكنها تتطلب موارد حوسبة أكبر ووقتًا أطول للتدريب، وتنتج ملفات أكبر حجمًا تتضمن أوزان النموذج كاملة، كما أنها غير متوافقة مع التخصيص المستمر. وتزيل الطريقة أيضًا العبء الإضافي للمحوّلات أثناء الاستدلال.
تغيّر العملية بلا خوادم الجهة المسؤولة عن تخصيص البنية التحتية وإدارة نقاط التحقق، لكنها لا تقلل عدد الأوزان التي يجري تدريبها. لذا، يسهّل هذا الإطلاق إجراء تخصيص أعمق، بينما تظل الجدوى من حيث تكلفة الحوسبة والجودة رهينة بما إذا كانت مكاسب المهام المحددة تفوق أعباء التدريب الأكبر وأي خسارة في القدرات الأوسع.












