أبرز النقاط
- ضبط نموذج 9 مليارات معامل على GPU واحدة H200 كلّف 85 دولاراً فقط في 25 ساعة
- الهدف ليس تحسين دقة النموذج بل تغيير طريقة عرض سلسلة التفكير للمستخدم النهائي
- أداء الاستدلال لم يتأثر سلباً رغم إضافة سلوك تلخيص منظّم للمخرجات
ضبط نموذج لغوي ضخم يضم 9 مليارات معامل على بطاقة رسومات واحدة، بتكلفة لا تتجاوز 85 دولاراً أمريكياً وفي أقل من 25 ساعة — هذا بالضبط ما نفّذه فريق DigitalOcean مع نموذج Ornith-1.0-9B مفتوح المصدر من DeepReinforce AI. التجربة تُثبت أن الضبط الدقيق للنماذج الكبيرة لم يعد حكراً على من يملكون عناقيد حوسبة ضخمة أو ميزانيات بملايين الدولارات.
ما الذي يفعله هذا الضبط تحديداً؟
الهدف من هذا الضبط ليس تحسين دقة النموذج أو قدرته على استخدام الأدوات أو سلوكه الوكيلي — تلك ادعاءات تتطلب تقييماً مختلفاً تماماً. ما يفعله هذا الضبط هو تغيير طريقة عرض تفكير النموذج للمستخدم النهائي: بدلاً من إظهار سلسلة التفكير الخام الكاملة (chain-of-thought)، ينتج النموذج المضبوط ملخصاً منظّماً يتضمن عنواناً وعنواناً فرعياً وملخصاً بلغة واضحة وحقل المهمة الحالية.
مزوّدو النماذج الذين يبنون منتجات وكيلية موجهة للمستخدمين يواجهون عادةً خيارين سيئين: إما إخفاء التفكير كلياً مما يصعّب التنقيح وبناء الثقة، أو عرض سلسلة التفكير الخام التي تكون غالباً طويلة ومكررة وقد تحتوي معلومات لا تريد كشفها حرفياً. النموذج الذي ينتج ملخصاً نظيفاً ومنظّماً لتفكيره دون الحاجة لتمرير تلخيص منفصل أو استدعاء نموذج ثانٍ يمثّل مساراً وسطاً يستحق الاختبار بأرقام حقيقية.
لماذا نموذج Ornith-1.0-9B تحديداً؟
Ornith-1.0-9B هو أصغر نقطة تحقق في عائلة Ornith-1.0 من DeepReinforce AI، وهي مجموعة نماذج مفتوحة المصدر بترخيص MIT مصممة خصيصاً للبرمجة الوكيلية (agentic coding). العائلة تشمل أيضاً نقاط تحقق بحجم 31B كثيف و35B MoE و397B MoE.
- نموذج كثيف بـ 9 مليارات معامل، مبني فوق Qwen 3.5
- صغير بما يكفي للعمل بدقة bf16 على GPU واحدة بذاكرة 80GB (يستهلك نحو 19GB من VRAM)
- مدرّب عبر التعلم المعزز لبناء سقالته الخاصة مع حلوله بدلاً من الاعتماد على هيكل وكيل ثابت
- يحقق 43.1 على Terminal-Bench 2.1 و69.4 على SWE-Bench Verified
مجموعة البيانات المستخدمة في التدريب
استُخدمت مجموعة بيانات SupraLabs/reasoning-summaries-61k التي تضم 61,000 مثال مصمم خصيصاً لتدريب النماذج على إنتاج ملخصات نظيفة ومنظّمة لسلسلة التفكير بدلاً من كشف السلسلة الخام. كل مثال يقرن أثر تفكير خام بنسخة ملخّصة مع حقول منظّمة (عنوان، عنوان فرعي، ملخص، المهمة الحالية). البيانات مبنية من مصادر مرخّصة ومسمّاة وليست مسروقة أو مملوكة، مما يعني أن سلسلة نسب البيانات قابلة للتتبع وشروط الترخيص معروفة مسبقاً.
إعداد التدريب: LLaMA-Factory على H200 GPU Droplet
نُفّذ الضبط باستخدام أداة LLaMA-Factory على H200 GPU Droplet واحدة من DigitalOcean. بسعر 3.44 دولار للساعة لبطاقة H200 واحدة، استغرق التدريب 24.675 ساعة، ليصل إجمالي التكلفة إلى 84.88 دولاراً فقط.
إعداد الخدمة: vLLM وBring Your Own Model
لخدمة النموذج المضبوط، استُخدم vLLM مع خاصية Bring Your Own Model من DigitalOcean على نفس بطاقة H200. هذا يتيح اختبار أداء الاستدلال (inference) على نفس البنية التحتية المستخدمة للتدريب، مما يبسّط عملية النشر ويقلل التعقيد.
هل أثّر الضبط على أداء الاستدلال؟
السؤال الجوهري الذي أراد الفريق الإجابة عنه: هل إضافة سلوك التلخيص المنظّم يكلف شيئاً وقت الخدمة؟ التغييرات التي تعدّل صيغة المخرجات بدلاً من محتواها غالباً ما يُفترض أنها مجانية من ناحية الاستدلال. الفريق أراد تأكيد ذلك بالأرقام لا بالافتراض.
المقارنة الكاملة مع النموذج الأساسي غير المعدّل في النتائج تُظهر أن أداء الاستدلال لم يتأثر سلباً. قِيست مقاييس TTFT (زمن أول رمز) والإنتاجية عند 1 و5 و20 طلباً متزامناً، وأكدت النتائج أن الضبط لم يُضِف عبئاً ملموساً على الاستدلال.
متى تستخدم هذا الأسلوب ومتى لا؟
هذا الأسلوب مناسب عندما تريد تغيير طريقة عرض تفكير النموذج دون المساس بأدائه الأساسي في المهام. إنه مفيد لبناء واجهات مستخدم أوضح للمنتجات الوكيلية، وللحالات التي تحتاج فيها شفافية مُتحكَّم بها في تفكير النموذج دون كشف كل التفاصيل الخام.
لكنه ليس مناسباً إذا كان هدفك تحسين الدقة أو قدرات استخدام الأدوات أو السلوك الوكيلي — تلك تتطلب مقاربات وتقييمات مختلفة تماماً.
رأي Logicity
هذه التجربة تؤكد أن حاجز الدخول لضبط النماذج الكبيرة انخفض جذرياً. مقارنةً بخدمات الضبط المُدارة مثل OpenAI Fine-tuning التي تبدأ من عشرات الدولارات لكل ألف رمز تدريب، أو Azure AI Studio الذي يتطلب التزامات بنية تحتية أكبر، فإن نموذج الدفع بالساعة على GPU واحدة يمنح الفرق الصغيرة مرونة لم تكن متاحة قبل سنوات. أداة LLaMA-Factory تحديداً جعلت التدريب في متناول من لا يملكون خبرة في الأنظمة الموزعة، وهذا تحوّل جوهري في ديمقراطية تطوير الذكاء الاصطناعي.
الأسئلة الشائعة
كم تكلفة ضبط نموذج Ornith 9B على H200 GPU؟
التكلفة الإجمالية كانت 84.88 دولاراً أمريكياً، بسعر 3.44 دولار للساعة لبطاقة H200 واحدة على مدى 24.675 ساعة تدريب.
هل يؤثر ضبط صيغة المخرجات على سرعة الاستدلال؟
لا، النتائج أظهرت أن إضافة سلوك التلخيص المنظّم لم تُضِف عبئاً ملموساً على أداء الاستدلال مقارنة بالنموذج الأساسي.
ما الفرق بين هذا الضبط وتحسين دقة النموذج؟
هذا الضبط يغيّر طريقة عرض تفكير النموذج للمستخدم فقط، ولا يدّعي تحسين الدقة أو قدرات استخدام الأدوات أو السلوك الوكيلي.
ما أداة التدريب المستخدمة في هذه التجربة؟
استُخدمت أداة LLaMA-Factory لتنفيذ الضبط على H200 GPU Droplet من DigitalOcean.
كم حجم مجموعة البيانات المستخدمة؟
61,000 مثال من مجموعة SupraLabs/reasoning-summaries-61k المصممة لتدريب النماذج على إنتاج ملخصات منظّمة لسلاسل التفكير.
هل تحتاج مساعدة في التطبيق؟
إذا كنت تخطط لضبط نموذج لغوي لمنتجك أو تحتاج استشارة في اختيار البنية التحتية المناسبة، تواصل مع فريق Logicity للحصول على توجيه متخصص في مشاريع الذكاء الاصطناعي.
عمر حسن
كاتب تقني وابتكار
أُنتِج هذا المقال بمساعدة الذكاء الاصطناعي وراجعه فريق التحرير في لوجيسيتي. اعرف المزيد في سياسة التحرير.
