RAG أم الضبط الدقيق؟ كيف تختار الأنسب لشركتك

اختر RAG عندما يفتقر النموذج إلى المعلومات الصحيحة عن شركتك، وفكّر في الضبط الدقيق عندما تكون المعلومات متاحة له لكنه يكرر الأخطاء في الأسلوب أو قواعد اتخاذ القرار. فالمفاضلة بين RAG والضبط الدقيق هي مفاضلة بين تزويد النموذج بالأدلة وتعليمه السلوك المطلوب. وتوضح حالات الاستخدام الـ3 أدناه لماذا لا تعني تكلفة التدريب المنخفضة بالضرورة أن النظام ككل أقل تكلفة.

جرى التحقق من الوثائق وتوافر النماذج والأسعار المعلنة في 16 أكتوبر 2026. أحجام العمل والحسابات التالية أمثلة افتراضية للتخطيط، وليست نتائج مقاسة لدى عملاء.

RAG أم الضبط الدقيق؟ ابدأ بتحديد الخلل الذي تريد إصلاحه

الاسترجاع يعالج الوصول إلى المعرفة، والضبط الدقيق يعالج السلوك المتكرر. هذا الفرق يحدد أين تبذل جهدك قبل أن يحدد الخدمة التي تشتريها.

التوليد المعزز بالاسترجاع، أو RAG، يجلب مواد ذات صلة ويضعها في السياق الذي يعمل عليه النموذج قبل أن يجيب. أما الضبط الدقيق، أو fine tuning، فيواصل تدريب نموذج مدرّب مسبقًا على أمثلة للإجابات أو القرارات المطلوبة، فيغيّر المعلمات التي تعلّمها. تخيّل موظف دعم: الاسترجاع يزوّده بدليل المراجع المحدّث، والضبط الدقيق يدرّبه بأمثلة مصححة. وفي الحالتين، تظل التعليمات الواضحة ضرورية.

هذا التمييز نقطة انطلاق مفيدة، وليس قاعدة تنفي قدرة التدريب على تعليم الحقائق. فالضبط الدقيق يمكن أن يعلّم النموذج ارتباطات واقعية، لكنه لا يمنحك قاعدة بيانات موثوقة للسياسات الحالية وصلاحيات المستندات ومراجع المصادر. وتفصل مقارنة AWS بين دور توفير المعرفة ودور التخصيص.

اختبر أثر الدليل: خذ سؤالًا أخفق النموذج في إجابته، وزوّده يدويًا بالمقطع الصحيح والمحدّث. إذا أصبحت الإجابة مقبولة، فأصلح الاسترجاع. وإذا استمر الإخفاق، فراجع التعليمات وصعوبة المهمة وسلوك الإجابة. لا يصبح الضبط الدقيق خيارًا مرشحًا إلا بعد تحسين هذا الحل المرجعي الأبسط.

بالنسبة إلى المطوّرين، يفصل هذا الاختبار مسار معالجة المستندات عن مسار التدريب. وبالنسبة إلى فرق التشغيل، يحدد المسؤول عن المشكلة: صاحب المعرفة أم من يعتمد أمثلة التدريب. أما المشترون، فيحصلون على اختبار قبول مفيد: اطلب من المورّد أن يبيّن الخلل الذي يعالجه المكوّن الإضافي.

كيف تختلف RAG والضبط الدقيق وهندسة الأوامر؟

ابدأ بأبسط تعديل يجتاز اختبار قبول مهمتك. هندسة الأوامر تعني تحسين التعليمات والأمثلة والسياق المرفق بالطلب، وتبقى جزءًا من أنظمة الاسترجاع وأنظمة الضبط الدقيق على السواء.

متى تكفي هندسة الأوامر، ومتى تحتاج إلى RAG؟

اكتفِ بالأمر عندما تكون المادة اللازمة موجودة في الطلب. وأضف الاسترجاع عندما يحتاج التطبيق إلى العثور عليها بين مصادر الشركة. فالتعليمات الأفضل لا تكشف للنموذج بند إلغاء لم يصله أصلًا، وفهرس البحث لا يحل التناقض بين التعليمات المتعلقة بتطبيق ذلك البند.

متى تنتقل من هندسة الأوامر إلى الضبط الدقيق؟

أبقِ قواعد العلامة التجارية المتغيرة والمهام غير المتكررة في الأوامر. وفكّر في الضبط الدقيق عندما يستمر الإخفاق في سلوك ثابت ومتكرر رغم وضوح التعليمات وتوافر أمثلة ممثلة للمهمة. وتوصي إرشادات Google للضبط الدقيق بإرساء أداء مرجعي باستخدام الأوامر أولًا.

ما علاقة الضبط الدقيق بالتعلّم بالنقل؟

الضبط الدقيق أحد أشكال التعلّم بالنقل: تكيّف فيه القدرات المكتسبة خلال تدريب سابق لتناسب مهمتك. وهو ليس تقنية أخرى لاسترجاع المصادر. والسؤال الذي يهم هذا القرار هو: هل تحتاج أصلًا إلى تغيير السلوك الذي تعلّمه النموذج؟

تأكّد من دعم النموذج قبل بناء النظام

تحقّق من دعم النموذج وأهلية حسابك قبل إعداد مشروع ضبط دقيق عبر خدمة مُدارة. ظهور اسم النموذج في شرح قديم لا يكفي.

أُغلقت منصة الضبط الدقيق ذات الخدمة الذاتية من OpenAI أمام المؤسسات التي لم تستخدمها سابقًا في 7 مايو 2026. وبدءًا من 2 يوليو 2026، فقدت أيضًا المؤسسات التي لم تشغّل نموذجًا مضبوطًا بدقة خلال الـ60 يومًا السابقة إمكانية إنشاء مهام تدريب. وينص الإشعار الحالي على أن العملاء الحاليين النشطين سيفقدون إمكانية إنشاء مهام جديدة في 6 يناير 2027؛ أما الاستدلال بالنماذج المضبوطة الحالية فيستمر فقط حتى إيقاف النموذج الأساسي. لذلك، ليس هذا هو المسار الافتراضي لمشروع شركة جديد. إشعار OpenAI بالإيقاف التدريجي.

يُعد Google Gemini 3.1 Flash-Lite خيارًا مرشحًا تنص وثائق Google Cloud الحالية صراحةً على دعمه للضبط الدقيق الخاضع للإشراف، أي التدريب باستخدام أمثلة موسومة. وتسمّي وثائق Google الحالية المنصة Gemini Enterprise Agent Platform؛ إذ تعيد وثائق الضبط السابقة الخاصة بـVertex AI التوجيه إليها. نستخدم النموذج أدناه لحساب ميزانية محددة، دون الادعاء بأنه الأفضل لمهمتك. النماذج المدعومة للضبط الدقيق.

لقيود النشر أثر مباشر: يُجرى الضبط الدقيق لهذا النموذج في us-central1 أو europe-west4، بينما تُقدَّم خدمة النموذج المضبوط عبر نقاط النهاية متعددة المناطق us أو eu. احسب ميزانيتك بأسعار هذه النقاط، بدلًا من استخدام السعر الأقل لنقطة النهاية العالمية للنموذج الأساسي. كذلك تستثني Google الضبط الدقيق الخاضع للإشراف من ضمان مستوى الخدمة. قيود الضبط الدقيق.

أساس التسعير في الأمثلة: تبلغ أسعار الاستدلال النصي القياسي عبر نقاط النهاية غير العالمية $0.275 للمدخلات و$0.0275 للمدخلات المخزنة مؤقتًا و$1.65 للمخرجات لكل مليون رمز. وتكلفة الضبط الدقيق $3 لكل مليون رمز تدريب، بما يشمل دورات المرور المتكررة على البيانات. أما الاستدلال بالنموذج المضبوط فيكلف 1.5 ضعف السعر الأساسي، أي $0.4125 للمدخلات و$2.475 للمخرجات. هذه أسعار Google Cloud المعلنة، وليست أسعار اشتراك تطبيق Gemini. تسعير Google.

دورة التدريب الواحدة، أو epoch، هي مرور واحد على مجموعة بيانات التدريب. تفترض جميع الأمثلة استدعاء النموذج مرة واحدة لكل عنصر، وأن إجمالي رموز المخرجات المفوترة يشمل أي رموز استدلال. وتستثني الضرائب والعمل الهندسي ووسم البيانات واستدعاءات التقييم وإعادة المحاولات وتخزين المستندات المصدرية والمسح الضوئي للمستندات وخدمات البحث الإضافية. تحتاج هذه البنود إلى ميزانيات مستقلة؛ ففاتورة التدريب ليست عرض سعر لتنفيذ المشروع.

ثلاث حالات استخدام: ماذا ستبني وكم ستدفع؟

إجابات الدعم من مستندات الشركة: ابدأ بـRAG

يحتاج مساعد الدعم في شركة برمجيات إلى أدلة حديثة قبل أن يحتاج إلى التدريب. فإذا سأل العميل هل يسري الإلغاء فورًا، يجب أن تستند الإجابة إلى السياسة الحالية وأي استثناء تعاقدي ينطبق عليه.

ابنِ عملية لاستيعاب المستندات المعتمدة، وتقسيمها إلى مقاطع مفيدة، والاحتفاظ برابط المصدر وتاريخ السريان والمنتج وصلاحيات الوصول. عند تنفيذ الطلب، احصر البحث في المواد التي يُسمح للعميل بالاطلاع عليها، واسترجع المقاطع ذات الصلة، واطلب من النموذج الإجابة بالاستناد إلى هذه الأدلة مع توثيق المصادر. استبدل المقاطع التي تغيّرت واحذف ما حُذف من المصدر. فتغيير المصدر لا يحدّث فهرسك تلقائيًا في اللحظة نفسها.

يحوّل OpenAI text-embedding-3-small النص إلى تمثيلات عددية تُستخدم في البحث بالتشابه. وتبلغ تكلفته $0.02 لكل مليون رمز إدخال، وينتج 1,536 بُعدًا افتراضيًا. إنشاء التضمينات للمستندات يجعلها قابلة للبحث، لكنه لا يدرّب النموذج الذي يصوغ الإجابات. سعر النموذج، أبعاد التضمين.

قاعدة البيانات المتجهية في هذا المثال هي Cloudflare Vectorize؛ فهي تخزّن هذه التمثيلات وتعثر على المتشابه منها. لكن جودة الأدلة تظل قيدًا: فالمقطع القريب في التشابه قد يكون قديمًا أو غير ذي صلة. وعلى تطبيقك فرض صلاحيات الوصول والتحقق من أن النص المختار يدعم الإجابة.

تكلفة الإنشاء: لنفترض وجود 10,000 مقطع بمتوسط 500 رمز بعد التقسيم. تكون تكلفة التضمين الأولي 5 ملايين رمز × $0.02 = $0.10. ولا يشمل ذلك تحليل المستندات والعمل الهندسي المذكور أعلاه.

يخزّن الفهرس 15.36 مليون بُعد، متجاوزًا الحصة المجانية البالغة 5 ملايين في Vectorize. وتشمل الحصة المدفوعة 10 ملايين بُعد مخزّن و50 مليون بُعد مُستعلَم عنه شهريًا؛ وتبلغ رسوم التجاوز $0.05 لكل 100 مليون بُعد مخزّن و**$0.01 لكل مليون بُعد مُستعلَم عنه**. ووفق معادلة Cloudflare المنشورة، يستهلك هذا الفهرس 30.72 مليون بُعد مُستعلَم عنه عند تنفيذ 10,000 استعلام شهريًا، أي ضمن الحصة. وتبلغ رسوم تجاوز التخزين $0.00268 شهريًا. ونفترض أن هذه الحصص لم تُستهلك في استخدامات أخرى ضمن الحساب. تسعير Vectorize.

الميزانية الشهرية للمكوّنات: استبدال 1,000 مقطع وإنشاء تضمينات لـ10,000 سؤال بمتوسط 100 رمز يكلف $0.03. وتوليد 10,000 إجابة، لكل منها 2,500 رمز إدخال إجمالًا و400 رمز إخراج، يكلف $13.475. أضف الحد الأدنى لحساب Workers Paid البالغ $5 ورسوم تجاوز التخزين، ليصبح الإجمالي نحو $18.51 شهريًا، إضافة إلى تكلفة التضمين الأولي. ونفترض أن تنفيذ Workers يظل ضمن الحصص المشمولة. تسعير Workers.

اختبار التشغيل هو أن تستخدم الإجابة السياسة الصحيحة السارية، وتستشهد بمقطع يدعمها، وتمتنع عن اختلاق استثناء. اختبر أيضًا المستندات المحذوفة ومحاولة عميل الوصول إلى عقد عميل آخر. ولا تنتقل إلى الضبط الدقيق لاحقًا إلا إذا بقيت الأدلة الصحيحة تنتج خللًا متكررًا في السلوك.

أسلوب الشركة في الكتابة: جرّب الأمثلة والتخزين المؤقت قبل التدريب

قد يبرر الأسلوب التحريري المستقر اللجوء إلى الضبط الدقيق، أما العلامة التجارية التي لم تحسم أسلوبها بعد فلا. لنتصور شركة تكتب رسائل بريدية عن منتجاتها، وتريدها مباشرة، خالية من الادعاءات المبالغ فيها، وتنتهي بخطوة تالية محددة.

ابدأ بدليل للأسلوب وأمثلة معتمدة داخل الأمر. إذا ظلت النتائج تخفق في التقاط اختيارات تحريرية دقيقة، فأنشئ أزواجًا للتدريب: موجز التكليف الأصلي والحقائق كمدخلات، والمسودة التي اعتمدها المحرر كمخرجات. أرشيف الرسائل النهائية وحده لا يبيّن أي مدخل ينبغي أن ينتج أي استجابة.

في مثال افتراضي لتكليف يعلن إتاحة الدعم أيام السبت، قد يكون النص المستهدف المعتمد: «يمكنك الآن التواصل مع الدعم أيام السبت. افتح المحادثة عندما تحتاج إلى مساعدة». يوضح النص المستهدف الأسلوب، بينما يقدّم موجز التكليف الحقائق.

افصل الأسلوب عن المحتوى الواقعي. درّب النموذج على تفضيل المقدمات القصيرة، وزوّده بتفاصيل منتجات هذا الأسبوع عند تنفيذ الطلب. احتفظ بموجزات لم تُستخدم في التدريب لتقييمه، واطلب من المحررين الحكم على الادعاءات غير المسندة والنبرة والمحتوى المطلوب وحجم إعادة الصياغة اللازمة. لا تتعامل مع درجة التشابه النصي بوصفها دليلًا على جودة الكتابة للعلامة التجارية.

تكلفة الإنشاء: 1,000 زوج بمتوسط 1,600 رمز إجمالًا × 3 دورات تدريب = 4.8 مليون رمز تدريب، بتكلفة $14.40 لمهمة تدريب واحدة. هذه افتراضات لإعداد الميزانية، وليست توصية بأن هذا الحجم من البيانات أو عدد الدورات سيجتاز التقييم.

الاستخدام الشهري للنموذج: تكلف 10,000 مسودة، لكل منها 1,200 رمز إدخال و400 رمز إخراج، $14.85 على النموذج المضبوط. ويكلف النموذج الأساسي نفسه، مع 4,800 رمز إضافي للأسلوب والأمثلة في كل طلب، $23.10 إذا لم يستفد أي طلب من التخزين المؤقت. وفي الحالة المستقرة المثالية، حين تستفيد كل بادئة متكررة من التخزين المؤقت الضمني، تنخفض تكلفة هذا الحل المرجعي القائم على الأوامر إلى $11.22، إضافة إلى تكاليف الطلبات التي لا تستفيد من التخزين المؤقت ومرحلة تهيئته الأولية. تستخدم هذه الحسابات أسعار Google المذكورة أعلاه.

وهذا يقلب حجة التوفير. قد يظل الضبط الدقيق مجديًا لأنه يقلل إعادة العمل التحريري، لكنه ليس تلقائيًا الوسيلة الأرخص لتجنب دفع تكلفة أمر طويل للأسلوب مرارًا. قِس الاستفادة من التخزين المؤقت ومدى قبول المحررين للنتائج قبل الالتزام ببناء مسار تدريب.

تصنيف تذاكر الدعم: درّب القرارات المستقرة واسترجع القواعد المتغيرة

يكون مصنّف التذاكر مرشحًا قويًا للضبط الدقيق عندما تكون فئاته ثابتة وأخطاؤه المتكررة قابلة للقياس. لنفترض أن التصنيفات المسموح بها هي billing وaccess وbug وreview.

تكشف رسالة «لا أستطيع فتح فاتورتي» موضع الصعوبة. فهي تتضمن كلمة ترتبط بالفوترة، لكن الجهة المسؤولة قد تكون فريق الوصول. اتفق مع مسؤولي الدعم على هذا الحد الفاصل، ثم صنّف رسائل ممثلة للحالات الفعلية، بما فيها الملتبسة. عند تقسيم بيانات التدريب والتقييم، أبقِ الرسائل المرتبطة من المحادثة نفسها في مجموعة واحدة، وأدرج تذاكر أحدث لكشف التغيّر في اللغة أو المنتجات.

يجب أن يكون الناتج أحد التصنيفات المسموح بها، لكن صحة التنسيق وحدها لا تعني النجاح. قِس على نحو منفصل الحالات العاجلة التي فاتت، والإحالات إلى الفريق الخطأ، والمراجعات غير الضرورية، وعبء إعادة الإسناد لاحقًا. تصريح النموذج نفسه بأنه واثق ليس عتبة معايرة لتوجيه التذاكر.

تكلفة الإنشاء: 5,000 مثال موسوم بمتوسط 300 رمز إجمالًا × 3 دورات تدريب = 4.5 مليون رمز تدريب، بتكلفة $13.50 لمهمة واحدة. الاستخدام الشهري للنموذج: معالجة 100,000 تذكرة، لكل منها 250 رمز إدخال و20 رمز إخراج قابل للفوترة، تكلف نحو $15.26 على النموذج المضبوط، مقابل $10.18 للأمر القصير نفسه على النموذج الأساسي. يجب أن يبرر النموذج المضبوط هذه الزيادة بقرارات أفضل. تسعير Google.

استخدم شيفرة التطبيق لرفض التصنيفات غير الصالحة وإحالة الحالات الملتبسة إلى المراجعة. وتحذّر وثائق Google للضبط الدقيق من أن إضافة التوليد المقيّد، الذي يلزم المخرجات بمخطط محدد، أثناء الاستدلال قد تُحدث عدم تطابق مع التدريب؛ لذا قيّم التركيبة الدقيقة التي تنوي نشرها. مشكلات الضبط الدقيق المعروفة.

إذا كانت مسؤولية التعامل مع التذاكر تتغير كثيرًا، فأبقِ سياسة التوجيه الحالية خارج أوزان النموذج. استرجعها أو أدرجها في الأمر. وإذا كانت الحدود بين التصنيفات نفسها تتبدل باستمرار، فأجّل الضبط الدقيق حتى يستقر العمل بما يكفي لتعليم النموذج قواعده.

ما الذي يغيّره السياق الطويل والتخزين المؤقت للأوامر في 2026؟

قد يكون من المجدي الآن إرسال مجموعة صغيرة ومستقرة من المستندات مباشرةً إلى النموذج قبل بناء خدمة استرجاع. لم يظهر السياق الطويل والتخزين المؤقت لأول مرة في 2026، لكنهما يغيّران الحل المرجعي الذي ينبغي أن تقارن به اليوم.

نافذة السياق هي مقدار المادة التي يستطيع النموذج العمل عليها ضمن الطلب. ويعلن Gemini 3.1 Flash-Lite، الذي صدر في 7 مايو 2026، عن نافذة سياق بسعة 1,048,576 رمزًا. هذه سعة استيعاب، وليست ضمانًا لتطبيق كل استثناء في دليل ضخم تطبيقًا صحيحًا. اترك مساحة للتعليمات والسؤال والتوليد، ثم اختبر المقاطع الصعبة. مواصفات النموذج.

ما الفرق بين RAG وCAG؟

يصف التوليد المعزز بالتخزين المؤقت، أو CAG، تحميل المعرفة مسبقًا وإعادة استخدام السياق المخزّن مؤقتًا بدلًا من استرجاع المستندات لكل سؤال. ويفيد عندما تتسع نافذة السياق للمحتوى المطلوب، ولا يتغير هذا المحتوى كثيرًا، وتكون صلاحيات الوصول إليه واحدة لدى جميع من يتلقونه. يعيد التخزين المؤقت للأوامر استخدام نتائج معالجة المدخلات المتكررة؛ ولا يضع تلك الحقائق في أوزان النموذج أو يضمن إجابة محدّثة.

إذا افترضنا وجود دليل من 80,000 رمز يُعاد استخدامه في 10,000 طلب، فإن تكلفة إدخال الدليل وحده تبلغ $220 دون تخزين مؤقت، أو $22 إذا استفادت جميع الطلبات من سعر المدخلات المخزنة مؤقتًا. وتبقى هناك تكاليف للأسئلة الجديدة والمخرجات والطلبات التي لا تستفيد من الذاكرة المؤقتة وإنشائها. ويضيف الاحتفاظ بالدليل في ذاكرة تخزين مؤقت صريحة لمدة 720 ساعة $57.60 لتكلفة التخزين، وفق السعر المعلن البالغ $1 لكل مليون رمز-ساعة. تسعير التخزين المؤقت لدى Google.

لا تُفرض رسوم تخزين على التخزين المؤقت الضمني، لكن الاستفادة منه غير مضمونة. ضع المادة المشتركة في البداية، وحافظ على ثبات البادئة، وافحص cachedContentTokenCount في الاستجابات. يحتاج هذا النموذج إلى 4,096 رمزًا على الأقل من السياق المؤهل، لذا لا ينبغي احتساب أمر قصير لتصنيف التذاكر على أنه مخزّن مؤقتًا. وثائق التخزين المؤقت.

الفاصل هنا عملي. استخدم السياق الطويل المباشر لدليل محدد النطاق تستطيع تحديثه ومنح صلاحيات الوصول إليه كوحدة واحدة. واستخدم الاسترجاع عندما يكون محتوى الشركة أكبر، أو تتغير أجزاؤه منفصلة، أو يضم مستندات بصلاحيات مختلفة. ويمكنك تخزين بادئة تعليمات مشتركة مؤقتًا داخل نظام RAG حين يفيد ذلك؛ فهذه الخيارات قابلة للجمع.

لا تفترض أن كل ميزات التخزين المؤقت متاحة أيضًا للنموذج المضبوط. تنص وثائق Google الحالية للتخزين المؤقت للنماذج المضبوطة على أن التخزين المؤقت الصريح غير مدعوم للنماذج المضبوطة بدقة، بينما يتوقف دعم التخزين الضمني على إصدار النموذج.

اجمع بينهما عندما تتغير الحقائق ويستمر الخلل السلوكي

اجمع الاسترجاع والضبط الدقيق عندما يعالج كل منهما خللًا ثبت وجوده على حدة. فقد يسترجع مساعد الدعم بند الإلغاء الحالي، بينما يتبع نموذج مضبوط بنية الرد التي تفضّلها الشركة: الإجابة، ثم الدليل، ثم الإجراء التالي المسموح به، أو التصعيد.

درّب النموذج بأمثلة تشبه الأدلة التي سيتلقاها في بيئة الإنتاج. أدرج حالات تغيب فيها المقاطع المطلوبة أو تكون غير ذات صلة أو متعارضة، بحيث يشمل السلوك المطلوب طلب التوضيح أو الامتناع عن اختلاق إجابة. وأثناء التشغيل، تظل فحوص الوصول سابقة لوصول أي مادة مقيّدة إلى النموذج.

قيّم الاسترجاع وسلوك الإجابة كلًا على حدة. صحة الاستشهادات وحدود الصلاحيات وتحديث المصادر تبقى مسؤوليات التطبيق؛ فالضبط الدقيق لا يفرضها نيابةً عنك.

إذا كان العثور على الأدلة يتطلب عمليات بحث لاحقة، يوضح دليل RAG القائم على الوكلاء متى تبرر حلقة استرجاع محدودة ما تضيفه من تعقيد. وحين يثبت وجود فجوة سلوكية مستقرة تستدعي التدريب، يغطي دليل كيفية الضبط الدقيق لنموذج لغوي كبير إعداد البيانات ونقاط الحفظ والتقييم.

أين تقع المبالغة؟

لا تصلح عبارة «RAG هو الأفضل دائمًا» ولا «الضبط الدقيق سيجعل النموذج يعرف شركتنا» مواصفةً سليمة لبناء نظام. قد يفشل الاسترجاع بسبب مصادر قديمة أو سوء اختيار المقاطع أو نقص السياق. وقد يتعلّم الضبط الدقيق أمثلة متناقضة ويصبح أكثر اتساقًا في تكرار قاعدة لم تعد صالحة.

ومن السهل أيضًا المبالغة في قيمة انخفاض تكلفة حوسبة التدريب. فالفاتورة لا تشمل العمل اللازم لتعريف النتيجة الجيدة، وحسم الخلافات على التصنيفات، والحفاظ على فائدة مجموعة الاختبار. وتزيل نوافذ السياق الأكبر قيدًا على السعة، لكنها لا تثبت صحة الاستدلال بكل حقيقة تُقدّم للنموذج.

اطلب ادعاءً أضيق وأكثر تحديدًا: يثبت هذا المكوّن، على حالات عملك المحجوزة للاختبار، أنه يعالج خللًا معلومًا مع الحفاظ على بقية المتطلبات. وإذا كان الأمر الحالي يجتاز الاختبار بالفعل، فاترك النظام كما هو.

متى تختار RAG ومتى تختار الضبط الدقيق؟

عالج نقص الأدلة الآن، وأجّل التدريب حتى تستطيع تحديد الفجوة السلوكية وقياسها. على فرق التشغيل التي تتغير سياساتها إصلاح مسؤولية إدارة المصادر وتحديثها. وعلى المحررين الذين يملكون أمثلة مستقرة ويواجهون إعادة صياغة متكررة مقارنة الأوامر بالضبط الدقيق. أما المصنّف الذي تتغير فئاته، فالأفضل أن ينتظر. وتوافر تقنية تحسين إضافية لا يفرض تغيير سير عمل ناجح قائم على الأوامر.

اجعل خطواتك يوم الاثنين كالتالي:

1. 1

   احفظ حالات الإخفاق قبل تغيير النظام

   اختر أسئلة دعم أو موجزات كتابة أو تذاكر تمثّل العمل الفعلي. سجّل الإجابة أو القرار المعتمد، واحتفظ بحالات التقييم هذه خارج مجموعة التدريب.

2. 2

   قدّم الأدلة الناقصة يدويًا

   أعد المهمة بالمقطع الصحيح وتعليمات واضحة. وصنّف الخطأ المتبقي: معرفة ناقصة، أو قاعدة غير واضحة، أو سلوك خاطئ، أو مهمة لم يتمكن النموذج من التعامل معها بعد.

3. 3

   احسب تكلفة أبسط خيار مرشح

   قارن الأمر الحالي بأمر يستخدم التخزين المؤقت أو السياق الطويل، ثم بالاسترجاع، وبعد ذلك فقط بضبط دقيق مدعوم عند الحاجة. احسب الرموز المفوترة فعليًا، والاستفادة من الذاكرة المؤقتة، وإعادة المحاولات، وعمل التصحيح البشري.

4. 4

   اعتمد اختبار قبول المهمة قبل الإطلاق

   اختر أبسط تصميم يجتاز الاختبار. عيّن مسؤولًا عن تحديث المستندات أو مراجعة أمثلة التدريب، وسجّل الإصدارات المنشورة، واحتفظ بمسار للعودة إلى الإصدار السابق.

الأسئلة الشائعة

ما المقصود بالضبط الدقيق في الذكاء الاصطناعي؟

يكيّف الضبط الدقيق نموذجًا مدرّبًا مسبقًا باستخدام أمثلة تدريب إضافية. وفي إجراءات عمل الشركات، يكون الهدف المفيد عادةً أسلوب إجابة متكررًا أو سلوكًا محددًا عند أداء المهمة.

كم تبلغ تكلفة الضبط الدقيق لنموذج؟

تبلغ تكلفة مهمة التدريب الواحدة لدى Google في مثال الكتابة $14.40، وفق افتراضات الرموز ودورات التدريب المذكورة فيه. أما وسم البيانات والتقييم وتشغيل النموذج والعمل الهندسي فلها تكاليف منفصلة، وتضيف التجارب غير الناجحة مهام تدريب أخرى.

هل هناك خيار أفضل من RAG؟

قد يكون الأمر المباشر أبسط عندما يتضمن بالفعل كل الأدلة اللازمة. ويمكن للضبط الدقيق معالجة مشكلة سلوكية مستقرة. لكن أيًا منهما لا يحل محل الاسترجاع عندما يحتاج النظام إلى العثور على حقائق حديثة ومصرّح بالوصول إليها.

ما الفرق الأساسي بين نموذج مضبوط بدقة ونهج يعتمد على RAG؟

يغيّر الضبط الدقيق المعلمات المكتسبة عبر التدريب، بينما يغيّر RAG الأدلة المقدّمة عند تنفيذ الطلب. تحديث فهرس المصادر، وإعادة تدريب النموذج، وإثبات أن الإجابة تستند إلى استشهاد صحيح، مهام مختلفة.

هل ثبت عدم جدوى الضبط الدقيق؟

لا، إذا كان المقصود تكييف نماذج التعلّم الآلي. فقيمته تعتمد على المهمة، ويجب إثباتها بالمقارنة مع حل مرجعي قائم على الأوامر، باستخدام أمثلة لم تدخل في التدريب.

كيف أُجري الضبط الدقيق لـChatGPT؟

وصف إعلان OpenAI الأصلي عن ChatGPT، المنشور في 2022، استخدام أمثلة حوارية خاضعة للإشراف، تلاها تعلّم معزز من ملاحظات البشر. وتلك العملية التاريخية منفصلة عن شروط أهلية الشركات اليوم لاستخدام الضبط الدقيق عبر واجهة البرمجة.

ماذا قال Stephen Hawking عن الضبط الدقيق؟

هذا سؤال عن الضبط الدقيق الكوني، وهو معنى مختلف للمصطلح ولا يتعلق بتكييف نموذج لغوي. القرار التجاري هنا يخص الاسترجاع والتدريب، وليس ادعاءً عن الكون.

هل لا يزال الضبط الدقيق مستخدمًا؟

نعم. تسرد وثائق Google الحالية نماذج مدعومة، منها نموذج Gemini المستخدم هنا. وتتغير إتاحة الخدمات لدى المزوّدين، لذا تحقّق من النموذج المحدد وأهلية حسابك قبل إعداد مهمة تدريب.

ما أفضل نموذج للضبط الدقيق؟

اختر نموذجًا أساسيًا مدعومًا يستطيع أصلًا أداء جوهر المهمة ويلبّي قيود النشر لديك. يُستخدم Gemini 3.1 Flash-Lite هنا مثالًا محسوب التكلفة، وليس فائزًا شاملًا أثبتته الاختبارات؛ حالاتك المحجوزة للتقييم هي التي تحسم الاختيار.

للمساعدة في اتخاذ قرارات عملية عند البناء بالذكاء الاصطناعي، اشترك في النشرة البريدية.