تدريب نماذج الذكاء الاصطناعي باستخدام Unsloth وHugging Face Jobs مجانًا

يغطي منشور المدونة هذا كيفية استخدام Unsloth and Hugging Face Jobs لضبط LLM سريعًا (على وجه التحديد LiquidAI/LFM2.5-1.2B-Instruct ) من خلال وكلاء الترميز مثل Claude Code وCodex. يوفر Unsloth تدريبًا أسرع بمعدل 2x تقريبًا واستخدامًا أقل لذاكرة VRAM بنسبة 60% تقريبًا مقارنة بالطرق القياسية، لذا فإن تدريب النماذج الصغيرة يمكن أن يكلف بضعة دولارات فقط.

لماذا نموذج صغير؟ تعد نماذج اللغات الصغيرة مثل LFM2.5-1.2B-Instruct مرشحة مثالية للضبط الدقيق. فهي رخيصة الثمن للتدريب، وسريعة التكرار، وتنافسية بشكل متزايد مع نماذج أكبر بكثير في المهام المركزة. يعمل LFM2.5-1.2B-Instruct بأقل من 1 غيغابايت من الذاكرة وتم تحسينه للنشر على الجهاز، لذا يمكن تقديم ما تقوم بضبطه على وحدات المعالجة المركزية (CPU) والهواتف وأجهزة الكمبيوتر المحمولة.

سوف تحتاج

نحن نقدم أرصدة مجانية لنماذج الضبط الدقيق في Hugging Face Jobs. انضم إلى منظمة Unsloth Jobs Explorers للمطالبة بأرصدتك المجانية واشتراك Pro لمدة شهر واحد.

• حساب Hugging Face (مطلوب لوظائف HF)
• إعداد الفوترة (للتحقق، يمكنك مراقبة استخدامك وإدارة فواتيرك في صفحة الفوترة الخاصة بك).
• رمز وجه معانق مع أذونات الكتابة
• (اختياري) وكيل ترميز (Open Code, Claude Code، أو Codex)

تشغيل المهمة

إذا كنت ترغب في تدريب نموذج باستخدام HF Jobs وUnsloth، فيمكنك ببساطة استخدام ملف hf jobs CLI لتقديم وظيفة.

أولا، تحتاج إلى تثبيت hf سطر الأوامر. يمكنك القيام بذلك عن طريق تشغيل الأمر التالي:

# mac or linux
curl -LsSf https://hf.co/cli/install.sh | bash

بعد ذلك، يمكنك تشغيل الأمر التالي لإرسال الوظيفة:

hf jobs uv run https://huggingface.co/datasets/unsloth/jobs/resolve/main/sft-lfm2.5.py \
    --flavor a10g-small  \
    --secrets HF_TOKEN  \
    --timeout 4h \
    --dataset mlabonne/FineTome-100k \
    --num-epochs 1 \
    --eval-split 0.2 \
    --output-repo your-username/lfm-finetuned

تحقق من البرنامج النصي للتدريب ووثائق Hugging Face Jobs لمزيد من التفاصيل.

تثبيت المهارة

تعمل مهارة التدريب على نموذج “عناق الوجه” على تقليل حاجز الدخول لتدريب النموذج عن طريق المطالبة ببساطة. أولاً، قم بتثبيت المهارة مع وكيل الترميز الخاص بك.

كلود كود

يكتشف Claude Code المهارات من خلال نظام المكونات الإضافية الخاص به، لذلك نحتاج إلى تثبيت مهارات Hugging Face أولاً. للقيام بذلك:

1. أضف السوق:

/plugin marketplace add huggingface/skills

2. تصفح المهارات المتاحة في Discover فاتورة غير مدفوعة:

/plugin

3. تثبيت مهارة المدرب النموذجي :

/plugin install hugging-face-model-trainer@huggingface-skills

لمزيد من التفاصيل، راجع الوثائق المتعلقة باستخدام المركز مع المهارات أو مستندات Claude Code Skills.

الدستور الغذائي

يكتشف الدستور الغذائي المهارات من خلال AGENTS.md الملفات و .agents/skills/ الدلائل.

تثبيت المهارات الفردية مع $skill-installer:

$skill-installer install https://github.com/huggingface/skills/tree/main/skills/hugging-face-model-trainer

لمزيد من التفاصيل، راجع مستندات Codex Skills ودليل AGENTS.md.

أي شيء آخر

تتمثل طريقة التثبيت العامة ببساطة في استنساخ مستودع المهارات ونسخ المهارة إلى دليل مهارات وكيلك.

git clone https://github.com/huggingface/skills.git
mkdir -p ~/.agents/skills && cp -R skills/skills/hugging-face-model-trainer ~/.agents/skills/

بداية سريعة

بمجرد تثبيت المهارة، اطلب من وكيل البرمجة الخاص بك تدريب نموذج:

Train LiquidAI/LFM2.5-1.2B-Instruct on mlabonne/FineTome-100k using Unsloth on HF Jobs

سيقوم الوكيل بإنشاء نص تدريبي بناءً على مثال في المهارة، وإرسال التدريب إلى HF Jobs، وتوفير رابط مراقبة عبر Trackio.

كيف يعمل

يتم تشغيل وظائف التدريب على Hugging Face Jobs، ووحدات معالجة الرسومات السحابية المُدارة بالكامل. الوكيل:

1. يقوم بإنشاء برنامج نصي للأشعة فوق البنفسجية مع تبعيات مضمنة
2. يقدمه إلى HF Jobs عبر hf سطر الأوامر
3. تقارير معرف الوظيفة وعنوان URL للمراقبة
4. يدفع النموذج المدرب إلى مستودع Hugging Face Hub الخاص بك

مثال على البرنامج النصي للتدريب

تقوم المهارة بإنشاء نصوص مثل هذه بناءً على المثال الموجود في المهارة.

from unsloth import FastLanguageModel
from trl import SFTTrainer, SFTConfig
from datasets import load_dataset

model, tokenizer = FastLanguageModel.from_pretrained(
    "LiquidAI/LFM2.5-1.2B-Instruct",
    load_in_4bit=True,
    max_seq_length=2048,
)

model = FastLanguageModel.get_peft_model(
    model,
    r=16,
    lora_alpha=32,
    lora_dropout=0,
    target_modules=[
        "q_proj",
        "k_proj",
        "v_proj",
        "out_proj",
        "in_proj",
        "w1",
        "w2",
        "w3",
    ],
)

dataset = load_dataset("trl-lib/Capybara", split="train")

trainer = SFTTrainer(
    model=model,
    tokenizer=tokenizer,
    train_dataset=dataset,
    args=SFTConfig(
        output_dir="./output",
        push_to_hub=True,
        hub_model_id="username/my-model",
        per_device_train_batch_size=4,
        gradient_accumulation_steps=4,
        num_train_epochs=1,
        learning_rate=2e-4,
        report_to="trackio",
    ),
)

trainer.train()
trainer.push_to_hub()

للحصول على نظرة عامة كاملة عن أسعار Hugging Face Spaces، راجع الدليل هنا.

نصائح للعمل مع وكلاء الترميز

• كن محددًا بشأن النموذج ومجموعة البيانات المطلوب استخدامها، وقم بتضمين معرفات Hub (على سبيل المثال، Qwen/Qwen2.5-0.5B و trl-lib/Capybara). سيقوم الوكلاء بالبحث عن هذه المجموعات والتحقق من صحتها.
• اذكر Unsloth صراحةً إذا كنت تريد استخدامه. وبخلاف ذلك، سيختار الوكيل إطارًا بناءً على النموذج والميزانية.
• اسأل عن تقديرات التكلفة قبل إطلاق وظائف كبيرة.
• طلب مراقبة Trackio لمنحنيات الخسارة في الوقت الحقيقي.
• تحقق من حالة المهمة عن طريق مطالبة الوكيل بفحص السجلات بعد الإرسال.

موارد