تُتيح Baseten خدمة Serverless Loops للجميع للتدريب اللاحق

أعلنت Baseten في 6 نوفمبر 2026 أن Serverless Loops أصبحت متاحة عمومًا، فاتحةً للجميع إمكانية استخدام حزمة تطوير البرمجيات المُدارة لإجراء الضبط الدقيق الخاضع للإشراف والتعلّم المعزز على النماذج المفتوحة. تعتمد الخدمة الفوترة حسب عدد الرموز المستخدمة في التدريب، وتوفّر مسارًا مباشرًا من نقاط التحقق إلى الاستدلال المخصص من Baseten.

تقوم Loops على تقسيم العمل: يوفّر المستخدمون إشارة التدريب، بينما تتولى Baseten تشغيل وحدات معالجة الرسومات (GPU) والأنوية وبنى النماذج والواجهة الخلفية للتدريب الموزع. وتدرّب حزمة تطوير البرمجيات لـ Python محوّلات LoRA مع إبقاء أوزان النموذج الأساسي مجمّدة. ويختار المستخدمون النموذج الأساسي ورتبة LoRA ومعدل التعلّم ودالة الخسارة والبيانات أو البيئة والخوارزمية؛ فيما تشغّل Baseten أداة التدريب وأداة أخذ العينات ومزامنة الأوزان والبنية التحتية الداعمة.

تحافظ حزمة التوافق على استيرادات Tinker والاستدعاءات الأساسية للتدريب وأخذ العينات للفرق التي تنقل نصوصها البرمجية الحالية. ومع ذلك، يوضح دليل الترحيل تغييرات تشمل استخدام مفتاح API من Baseten للمصادقة، وإرجاع نقاط التحقق على هيئة عناوين URL لملفات مُقسّمة إلى صفحات، واشتراط تضمين مدخلات الصور مباشرةً، وتحديد تغطية وحدات LoRA بحسب عائلة النموذج. ويشمل التوافق واجهة برمجة تطبيقات التدريب، لكنه يترك للفرق تعديل عدد من التفاصيل الخاصة بالبنية التحتية.

النماذج بلا خوادم والفوترة

يضم كتالوج النماذج بلا خوادم ثلاثة نماذج: Qwen/Qwen3.6-35B-A3B و zai-org/GLM-5.3-Flash للنص والرؤية، و zai-org/GLM-5.3 للنص فقط. ويدعم كل نموذج حدًا أقصى لطول التسلسل يبلغ 262,144 رمزًا. ولا يدعم إعداد السياق الطويل في GLM-5.3 cross_entropy أو dpo دوال الخسارة. ويغطي الوضع المخصص كتالوجًا أوسع من النماذج، وتُحتسب رسومه بحسب مدة استخدام وحدة معالجة الرسومات، كما يضيف عناصر تحكم في النسخ المتماثلة وإعادة الاستخدام السريع والسعة المتاحة عند انخفاض الطلب.

تستخدم عمليات التشغيل بلا خوادم سعة مشتركة من دون الحاجة إلى حجز وحدات معالجة الرسومات، وتُحتسب رسومها بحسب عدد الرموز المستخدمة في التدريب وأخذ العينات. ولا تُفرض رسوم على الرموز مقابل الوقت المستغرق في قراءة النتائج أو تغيير دالة المكافأة أو الخمول. ويمكن لاختيار الوضع الافتراضي أن ينتقل إلى السعة المخصصة إذا كان النموذج أو رتبة LoRA أو طول التسلسل غير مدعوم، أو عندما تعيد عملية تشغيل استخدام عمليات نشر عملية أخرى. أما تحديد النطاق على أنه بلا خوادم، فيؤدي بدلًا من ذلك إلى فشل الطلب غير المدعوم.

لا يضمن تفعيل نموذج توفير الموارد اللازمة لتشغيله. فما زال من الممكن أن تحول قيود الوصول الخاصة بمساحة العمل، أو عدم توافر وحدات معالجة الرسومات، أو حدود أدوات التدريب التي تفرضها المؤسسة دون تشغيل العملية، ما يضع قيودًا عملية على السعة التي يتيحها نموذج الدفع بحسب عدد الرموز، تتجاوز ما يورده الكتالوج المنشور.

نقاط التحقق والاستدلال في بيئة الإنتاج

يعرض دليل البدء السريع أربع عمليات أساسية: forward_backward لأعمال الخسارة والتدرّج، optim_step لتحديثات المحوّلات، sample للتوليد و save_state للتدريب القابل للاستئناف. ويؤدي نشر أوزان أداة أخذ العينات إلى إنشاء نقطة تحقق قابلة للنشر وعميل لأخذ العينات مرتبط بها. وهناك عملية منفصلة save_state تحافظ على حالة النموذج والمُحسِّن. وقد يستغرق طلب أخذ العينات الأول عدة دقائق ريثما تبدأ السعة بلا خوادم، وهو أمر عملي ينبغي مراعاته في التجارب القصيرة.

تُنشر نقطة تحقق أداة أخذ العينات بوصفها النموذج الأساسي مع تحميل محوّل LoRA المدرّب. وتظل نقاط التحقق متاحة بعد انتهاء عمليات التشغيل، ويمكن نشرها عبر واجهة سطر الأوامر (CLI) أو واجهة REST API أو لوحة التحكم، باستخدام رمز وصول من Hugging Face، لأن عملية النشر تنزّل الأوزان الأساسية. وتُحتسب رسوم وحدة معالجة الرسومات للواجهة المتوافقة مع OpenAI الناتجة ما دامت قيد التشغيل. ويؤدي حذف عملية النشر إلى إيقاف رسوم وحدة معالجة الرسومات من دون حذف نقطة التحقق؛ كما أن إلغاء تنشيط عملية تشغيل Loops لا يزيل عملية النشر.

عند الإتاحة العامة، حسّنت Baseten التعامل مع أخطاء الشبكة العابرة وأعطال وحدات معالجة الرسومات، وخفّضت الأعباء الإضافية عند بدء التشغيل، وسرّعت نقل الأوزان بين أدوات التدريب وأخذ العينات. وتقول Baseten إن هذه التغييرات تدعم تشغيل مزيد من أحمال عمل العملاء بالتوازي، وإن حزمة الاستدلال الإنتاجية لديها تخدم أكثر من 15 مليار طلب يوميًا. ويشمل مسار الإنتاج التوسّع التلقائي وإدارة عمليات النشر ومقاييس الاستدلال، بينما يستطيع المستخدمون تنزيل الأوزان بتنسيق Safetensors من Hugging Face.

التحقق وأحمال العمل الأولية للعملاء

تقول Baseten إنها تحققت من الخدمة باختبارات عددية وتجارب للتعلّم المعزز من البداية إلى النهاية باستخدام مهام τ-bench في قطاعات البيع بالتجزئة والطيران والخدمات المصرفية، أعقبها تقييم على مهام صعبة محجوبة عن التدريب. ويصف مشروع τ-bench معيارًا لقياس قدرة الوكلاء على التفاعل مع المستخدمين وإجراء استدعاءات للأدوات واسترجاع المعارف واتباع السياسات عبر مجالات المؤسسات، مع التحقق من النتائج بمقارنتها بنتائج قواعد بيانات قابلة للتحقق.

تفيد Baseten بأن NVIDIA أجرت تدريبًا لاحقًا على Nemotron Super 3.5 VL لمهام النص والرؤية، فرفعت دقة تصنيف النوايا من 76.8% إلى 94% وحققت درجة F1 للتحقق بلغت 87% في استخراج بيانات الإيصالات؛ وشمل العمل أيضًا التعلّم المعزز لعدّ الأجسام المرئية. وتستخدم Datadog التعلّم المعزز الوكيلي متعدد الأدوار لاختبار أفكار تدريبية لوكيلها SRE، فيما أجرت Ambience Healthcare تدريبًا لاحقًا على نماذج لتصحيح أخطاء النسخ الطبي والتقاط المصطلحات الطبية والتنسيق بدقة.

تُجري LangChain Labs تدريبًا لاحقًا للنماذج باستخدام سجلات الوكلاء لصالح LangSmith Engine، ويشمل ذلك عملًا يقرأ مستودعًا على GitHub لتشخيص مشكلة، ويعدّ مسودة للموجّه أو لتغيير في الشيفرة البرمجية ضمن طلب سحب. ويمكنه التحول إلى نموذج أصغر مفتوح الأوزان لتصنيف السجلات بحسب نمط الإخفاق وشدته، أو لربطها بمشكلات قائمة. ويوضح سير عمل LangChain كيف يصبح سلوك التطبيق هدفًا للتدريب، مع اختيار حجم النموذج وتخصص المهمة بما يتناسب مع العمل المطلوب.

توثّق حسابات العملاء الاستخدام قبل إعلان الإتاحة العامة، وتوضح دورة البنية التحتية المقصودة: تصبح بيانات التطبيق مدخلات للتدريب، وتُقيَّم نقاط التحقق، ثم تنتقل النماذج المختارة نحو الإنتاج. وبالنسبة إلى فرق البنية التحتية، فإن حدود التكلفة واضحة بالقدر نفسه. فعمليات التشغيل المدعومة بلا خوادم تتجنب حجز وحدات معالجة الرسومات ورسوم الرموز المميزة خلال فترات الخمول، بينما يواصل طرف الاستدلال النشط احتساب رسوم وحدة معالجة الرسومات الخاصة به؛ ويحدد كتالوج الخدمات بلا خوادم وسعة مساحة العمل المواضع التي ينطبق فيها خيار التشغيل بلا خوادم.