Claude يُجري الضبط الدقيق لنماذج LLM مفتوحة المصدر باستخدام Hugging Face Skills

Claude يُجري الضبط الدقيق لنماذج LLM مفتوحة المصدر باستخدام Hugging Face Skills

منحنا Claude القدرة على إجراء الضبط الدقيق (Fine-tuning) للنماذج اللغوية باستخدام أداة جديدة تُدعى Hugging Face Skills. وهذا يعني أن Claude لا يكتفي بكتابة سكربتات التدريب، بل يرسل المهام فعليًا إلى وحدات GPU سحابية، ويتابع التقدّم، ويرفع النماذج المكتملة إلى Hugging Face Hub. يوضّح لك هذا الدرس بالضبط كيف يعمل ذلك وكيف يمكنك استخدامه بنفسك.

يستطيع Claude Code استخدام "المهارات" (Skills)، وهي تعليمات وسكربتات ومعارف متخصصة مُجمَّعة في حزم، لإنجاز مهام متخصصة. وتعلّم مهارة hf-llm-trainer لـ Claude كل ما يحتاج إلى معرفته عن التدريب: أيّ GPU يختار وفق حجم نموذجك، وكيف يهيّئ المصادقة على Hub، ومتى يستخدم LoRA بدلًا من الضبط الدقيق الكامل، وكيف يتعامل مع عشرات القرارات الأخرى التي يتطلبها تشغيل تدريب ناجح.

باستخدام هذه المهارة، يمكنك أن تقول لـ Claude أشياء مثل: أجرِ ضبطًا دقيقًا لـ Qwen3-0.6B على مجموعة البيانات trl-lib/Capybara

وسيقوم Claude بما يلي:

• التحقق من صيغة مجموعة بياناتك
• اختيار العتاد المناسب (t4-small لنموذج بحجم 0.6B)
• استخدام سكربت تدريب وتحديثه مع المتابعة عبر Trackio
• إرسال المهمة إلى Hugging Face Jobs
• الإبلاغ عن معرّف المهمة والتكلفة التقديرية
• التحقق من التقدّم عندما تطلب ذلك
• مساعدتك في تصحيح الأخطاء إذا حدث خطأ ما

يتدرّب النموذج على وحدات GPU الخاصة بـ Hugging Face بينما تنشغل أنت بأمور أخرى. وعند الانتهاء، يظهر نموذجك المضبوط على Hub جاهزًا للاستخدام.

هذا ليس عرضًا توضيحيًا للتسلية. فالمهارة تدعم أساليب التدريب نفسها المستخدمة في بيئات الإنتاج: الضبط الدقيق الموجَّه، والتحسين المباشر للتفضيلات، والتعلّم المعزّز بمكافآت قابلة للتحقق. ويمكنك تدريب نماذج تتراوح بين 0.5B و70B من المعاملات، وتحويلها إلى GGUF للنشر المحلي، وتشغيل خطوط معالجة متعددة المراحل تجمع بين تقنيات مختلفة.

الإعداد والتثبيت

قبل البدء، ستحتاج إلى:

• حساب على Hugging Face بخطة Pro أو Team (تتطلب Jobs خطة مدفوعة)
• رمز وصول بصلاحية الكتابة من huggingface.co/settings/tokens
• وكيل برمجي مثل Claude Code أو OpenAI Codex أو Gemini CLI من Google

مهارات Hugging Face متوافقة مع Claude Code وCodex وGemini CLI، والتكاملات مع Cursor وWindsurf وContinue في الطريق.

Claude Code

سجّل المستودع بوصفه سوقًا للإضافات: /plugin marketplace add huggingface/skills

لتثبيت مهارة، شغّل: /plugin install <skill-folder>@huggingface-skills

على سبيل المثال: /plugin install hf-llm-trainer@huggingface-skills

Codex

سيتعرّف Codex على المهارات عبر الملف AGENTS.md. ويمكنك التحقق من تحميل التعليمات باستخدام: codex --ask-for-approval never "Summarize the current instructions."

لمزيد من التفاصيل، راجع دليل AGENTS الخاص بـ Codex.

Gemini CLI

يتضمن هذا المستودع الملف gemini-extension.json للتكامل مع Gemini CLI.

التثبيت محليًا: gemini extensions install . --consent

أو استخدم رابط GitHub: gemini extensions install https://github.com/huggingface/skills.git --consent

راجع توثيق إضافات Gemini CLI لمزيد من المساعدة.

الاتصال بـ Hugging Face

ستحتاج إلى مصادقة حسابك على Hugging Face باستخدام رمز وصول بصلاحية الكتابة حتى تتمكن المهمة من إنشاء مستودع للنموذج.

أعدّ رمز الوصول الخاص بك: hf auth login

أو

export HF_TOKEN=hf_your_write_access_token_here

ملاحظة: هيّئ Hugging Face MCP Server لاستخدام رمز الكتابة الخاص بك عبر إرساله في ترويسة HF_TOKEN أو في ترويسة HTTP ‏Authorization: Bearer.

أول عملية تدريب لك

لنستعرض مثالًا كاملًا. سنُجري ضبطًا دقيقًا لنموذج صغير لرؤية سير العمل بالكامل، ثم نستكشف قدرات أكثر تقدمًا.

توجيه الوكيل البرمجي

ابدأ بتعليمات بسيطة وواضحة لإجراء الضبط الدقيق لنموذج محدد: أجرِ ضبطًا دقيقًا لـ Qwen3-0.6B على مجموعة البيانات open-r1/codeforces-cots لاتباع التعليمات.

يحلّل الوكيل البرمجي طلبك ويُعدّ إعدادات التدريب. ولنموذج بحجم 0.6B على مجموعة بيانات تجريبية، يختار t4-small، وهو GPU كافٍ لهذا الحجم من النماذج وأرخص خيار متاح.

مجموعة البيانات open-r1/codeforces-cots هي مجموعة من مسائل Codeforces وحلولها. وهي مجموعة بيانات جيدة لضبط نموذج على التعليمات من أجل حل مسائل البرمجة الصعبة.

المراجعة قبل الإرسال

قبل أن يرسل وكيلك البرمجي أي شيء، سترى الإعدادات: سأُجري ضبطًا دقيقًا لـ Qwen/Qwen3-0.6B على open-r1/codeforces-cots باستخدام SFT. الإعدادات:

• العتاد: t4-small (~$0.75/ساعة)
• الوقت التقديري: ~20 دقيقة
• التكلفة التقديرية: ~$0.30
• المخرجات: username/qwen-codeforces-cots-sft سيُرفع النموذج إلى Hub تلقائيًا. هل أرسل المهمة؟

هذه فرصتك لتعديل أي شيء. غيّر اسم مستودع المخرجات، أو اختر عتادًا مختلفًا، أو اطلب من Claude تعديل معاملات التدريب.

على سبيل المثال، يمكنك أن تطلب من الوكيل إجراء تشغيل تجريبي: أجرِ تشغيلًا تجريبيًا سريعًا على 100 مثال.

متابعة التقدّم

بعد الإرسال، تحصل على تفاصيل المهمة: ✅ تم إرسال المهمة بنجاح! معرّف المهمة: abc123xyz المتابعة: https://huggingface.co/jobs/username/abc123xyz الوقت المتوقع: ~20 دقيقة التكلفة التقديرية: ~$0.30 اطّلع على المقاييس في الوقت الفعلي عبر: https://huggingface.co/spaces/username/trackio

تتضمن المهارة تكاملًا مع Trackio، لذا يمكنك مشاهدة خسارة التدريب وهي تنخفض في الوقت الفعلي. وتعمل المهام بشكل غير متزامن، فيمكنك إغلاق الطرفية والعودة لاحقًا. وعندما تريد تحديثًا: كيف تسير مهمة التدريب الخاصة بي؟

عندها يجلب الوكيل السجلات ويلخّص التقدّم.

استخدام نموذجك

عند اكتمال التدريب، يكون نموذجك على Hub: from transformers import AutoModelForCausalLM, AutoTokenizer model = AutoModelForCausalLM.from_pretrained("username/qwen-codeforces-cots-sft") tokenizer = AutoTokenizer.from_pretrained("username/qwen-codeforces-cots-sft")

هذه هي الدورة الكاملة. لقد وصفت ما تريده بلغة بسيطة، وتولّى الوكيل اختيار GPU، وإنشاء السكربت، وإرسال المهمة، والمصادقة، والحفظ. وكلّف الأمر كله نحو ثلاثين سنتًا.

أساليب التدريب

تدعم المهارة ثلاثة أساليب للتدريب. وفهم متى تستخدم كلًّا منها يساعدك على الحصول على نتائج أفضل.

الضبط الدقيق الموجَّه (SFT)

SFT هو نقطة البداية لمعظم المشاريع. إذ تقدّم بيانات توضيحية، أي أمثلة على المدخلات والمخرجات المرغوبة، ويعدّل التدريب النموذج ليطابق تلك الأنماط.

استخدم SFT عندما تتوفر لديك أمثلة عالية الجودة على السلوك الذي تريده: محادثات دعم العملاء، وأزواج توليد الشيفرة، والأسئلة والأجوبة الخاصة بمجال معين، وأي شيء يمكنك أن تُري النموذج فيه شكل الأداء الجيد.

أجرِ ضبطًا دقيقًا لـ Qwen3-0.6B على my-org/support-conversations لمدة 3 حقب (Epochs).

يتحقق الوكيل من مجموعة البيانات، ويختار العتاد (a10g-large مع LoRA لنموذج بحجم 7B)، ويهيّئ التدريب مع نقاط الحفظ (Checkpoints) والمتابعة.

بالنسبة إلى النماذج التي تتجاوز 3B من المعاملات، يستخدم الوكيل تلقائيًا LoRA (Low-Rank Adaptation) لتقليل متطلبات الذاكرة. وهذا يجعل تدريب نماذج بحجم 7B أو 13B ممكنًا على وحدة GPU واحدة مع الحفاظ على معظم جودة الضبط الدقيق الكامل.

التحسين المباشر للتفضيلات (DPO)

يتدرّب DPO على أزواج التفضيل، أي ردود يكون أحدها "مختارًا" (chosen) والآخر "مرفوضًا" (rejected). ويؤدي ذلك إلى مواءمة مخرجات النموذج مع التفضيلات البشرية، وعادةً ما يأتي بعد مرحلة SFT أولية.

استخدم DPO عندما تتوفر لديك تعليقات تفضيل من مُصنِّفين بشريين أو من مقارنات آلية. إذ يحسّن DPO مباشرةً لصالح الرد المفضّل دون الحاجة إلى نموذج مكافأة منفصل.

شغّل DPO على my-org/preference-data لمواءمة نموذج SFT الذي درّبته للتو.

تحتوي مجموعة البيانات على العمودين 'chosen' و'rejected'.

يتأثر DPO بصيغة مجموعة البيانات. فهو يتطلب أعمدة باسم chosen وrejected بالضبط، أو عمود prompt يحتوي على المدخلات. ويتحقق الوكيل من ذلك أولًا، ويريك كيفية ربط الأعمدة إذا كانت مجموعة بياناتك تستخدم أسماء مختلفة.

تحسين السياسة النسبي للمجموعة (GRPO)

GRPO مهمة تعلّم معزّز أثبتت فعاليتها في المهام القابلة للتحقق، مثل حل المسائل الرياضية، أو كتابة الشيفرة، أو أي مهمة ذات معيار نجاح برمجي.

درّب نموذجًا للاستدلال الرياضي باستخدام GRPO على مجموعة البيانات openai/gsm8k استنادًا إلى Qwen3-0.6B.

يولّد النموذج الردود، ويتلقى مكافآت بناءً على صحتها، ويتعلم من النتائج. وهذا أكثر تعقيدًا من SFT أو DPO، لكن الإعدادات متشابهة.

العتاد والتكلفة

يختار الوكيل العتاد بناءً على حجم نموذجك، لكن فهم المفاضلات يساعدك على اتخاذ قرارات أفضل.

مطابقة حجم النموذج مع GPU

• للنماذج الصغيرة جدًا التي تقل عن 1B من المعاملات، يعمل t4-small جيدًا. تتدرّب هذه النماذج بسرعة، وتوقّع تكلفة $1-2 للتشغيل الكامل. وهذا مثالي لعمليات التشغيل التعليمية أو التجريبية.
• للنماذج الصغيرة (1-3B)، انتقل إلى t4-medium أو a10g-small. يستغرق التدريب بضع ساعات ويكلّف $5-15.
• للنماذج المتوسطة (3-7B)، تحتاج إلى a10g-large أو a100-large مع LoRA. فالضبط الدقيق الكامل لا يتسع لها، لكن LoRA يجعلها قابلة للتدريب بسهولة. خصّص ميزانية $15-40 لبيئة الإنتاج.
• للنماذج الكبيرة (7B+)، لا تناسب مهمة HF skills هذه.

التجريب مقابل الإنتاج

عند اختبار سير عمل، ابدأ صغيرًا: أجرِ تشغيلًا تجريبيًا سريعًا لـ SFT على Qwen-0.6B باستخدام 100 مثال من my-org/support-conversations.

يهيّئ الوكيل البرمجي تدريبًا بالحد الأدنى، يكفي للتحقق من أن خط المعالجة لديك يعمل دون تكلفة حقيقية.

أما لبيئة الإنتاج، فكن صريحًا: أجرِ SFT على Qwen-0.6B لبيئة الإنتاج باستخدام my-org/support-conversations كاملة. نقاط حفظ كل 500 خطوة، و3 حقب، ومعدل تعلّم بجدولة cosine.

شغّل دائمًا تجربة قبل الالتزام بمهمة إنتاج تستغرق عدة ساعات. فتجربة بتكلفة $0.50 تكتشف خطأً في الصيغة توفّر عليك تشغيلًا فاشلًا بتكلفة $30.

ميزات متقدمة

التحقق من مجموعة البيانات

صيغة مجموعة البيانات هي المصدر الأكثر شيوعًا لإخفاقات التدريب. ويستطيع الوكيل التحقق من مجموعات البيانات قبل أن تنفق وقت GPU.

تحقّق مما إذا كانت my-org/conversation-data صالحة لتدريب SFT.

يُجري الوكيل فحصًا سريعًا على CPU (بكسور من السنت) ويُبلغ بما يلي: التحقق من مجموعة البيانات my-org/conversation-data: SFT: ✓ جاهزة تم العثور على العمود 'messages' بصيغة المحادثة DPO: ✗ غير متوافقة العمودان 'chosen' و'rejected' مفقودان

إذا كانت مجموعة بياناتك تحتاج إلى تحويل، يستطيع الوكيل أن يريك الطريقة: تستخدم مجموعة بيانات DPO الخاصة بي 'good_response' و'bad_response' بدلًا من 'chosen' و'rejected'. كيف أصلح ذلك؟

يقدّم الوكيل شيفرة الربط، ويمكنه دمجها مباشرة في سكربت التدريب الخاص بك.

متابعة التدريب

تساعدك المتابعة في الوقت الفعلي على اكتشاف المشكلات مبكرًا. وتهيّئ المهارة Trackio افتراضيًا، فبعد إرسال المهمة، يمكنك مشاهدة المقاييس على: https://huggingface.co/spaces/username/trackio

يعرض ذلك خسارة التدريب، ومعدل التعلّم، ومقاييس التحقق. ويُظهر التشغيل السليم انخفاضًا مطّردًا في الخسارة.

اسأل الوكيل عن الحالة في أي وقت: ما حالة مهمة التدريب الخاصة بي؟

المهمة abc123xyz قيد التشغيل (انقضت 45 دقيقة) الخطوة الحالية: 850/1200 خسارة التدريب: 1.23 (↓ من 2.41 عند البدء) معدل التعلّم: 1.2e-5 الاكتمال التقديري: ~20 دقيقة

إذا حدث خطأ ما، يساعد الوكيل في التشخيص. نفدت الذاكرة؟ يقترح الوكيل تقليل حجم الدفعة أو ترقية العتاد. خطأ في مجموعة البيانات؟ يحدد الوكيل موضع عدم التطابق. انتهت المهلة؟ يوصي الوكيل بمدة أطول أو بإعدادات تدريب أسرع.

التحويل إلى GGUF

بعد التدريب، قد ترغب في تشغيل نموذجك محليًا. وتعمل صيغة GGUF مع llama.cpp والأدوات المعتمدة عليه مثل LM Studio وOllama وغيرها.

حوّل نموذجي المضبوط إلى GGUF مع تكميم Q4_K_M. ارفعه إلى username/my-model-gguf.

يرسل الوكيل مهمة تحويل تدمج محوّلات LoRA، وتحوّل النموذج إلى GGUF، وتطبّق التكميم، وترفعه إلى Hub.

ثم استخدمه محليًا: llama-server -hf <username>/<model-name>:<quantization>

على سبيل المثال، لتشغيل النموذج Qwen3-1.7B-GGUF على جهازك المحلي:

llama-server -hf unsloth/Qwen3-1.7B-GGUF:Q4_K_M

ما التالي

لقد أوضحنا أن الوكلاء البرمجيين مثل Claude Code أو Codex أو Gemini CLI قادرون على التعامل مع دورة الحياة الكاملة للضبط الدقيق للنماذج: التحقق من البيانات، واختيار العتاد، وإنشاء السكربتات، وإرسال المهام، ومتابعة التقدّم، وتحويل المخرجات. وهذا يحوّل ما كان مهارة متخصصة إلى أمر يمكنك إنجازه عبر المحادثة.

بعض الأمور التي يمكنك تجربتها:

• إجراء ضبط دقيق لنموذج على مجموعة بياناتك الخاصة
• بناء نموذج متوائم مع التفضيلات عبر SFT → DPO
• تدريب نموذج استدلال باستخدام GRPO على الرياضيات أو الشيفرة
• تحويل نموذج إلى GGUF وتشغيله باستخدام Ollama

المهارة مفتوحة المصدر. ويمكنك توسيعها، أو تخصيصها لمسارات عملك، أو استخدامها نقطة انطلاق لسيناريوهات تدريب أخرى.

المصادر

• SKILL.md — التوثيق الكامل للمهارة
• أساليب التدريب — شرح SFT وDPO وGRPO
• دليل العتاد — اختيار GPU والتكاليف
• توثيق TRL — مكتبة التدريب الأساسية
• Hugging Face Jobs — البنية التحتية للتدريب السحابي
• Trackio — متابعة التدريب في الوقت الفعلي