تجربة عبقرية للمهتمين بالـ Fine-Tuning: جرب Preference Tuning لـ Gemini 2.5 على Vertex AI

مؤخرا تم إطلاق دعم Preference Tuning لنماذج Gemini 2.5 Flash وFlash-Lite عبر Vertex AI 🚀🔥

ماذا نقصد بـ Preference Tuning 🤔

يتيح لك هذا التخصيص ضبط سلوك النموذج ليس على الإجابات “الصحيحة” فحسب؛ بل على تفضيلات المستخدم (الأسلوب أو النبرة أو التدفق السياقي) عن طريق أزواج من الاستجابات المفضَّلة والمرفوضة !!

✴️ بدلاً من تمييز الإجابات كصحيحة/خاطئة، تعلم النموذج التمييز بين استجابة تفضلها أنت وأخرى لا تفضلها؛ وهو أسلوب فعّال لتوجيه النماذج نحو سلوكيات عملية قابلة للاستخدام في منتجات حقيقية !!

مواصفات وقيود مهمة ::

✴️ معادلة التسعيرة للعينات التدريبية: (عدد توكنات الـ prompt * 2) + عدد توكنات الـ completion لكل مثال.
✴️ الحد الأقصى لملف التدريب: 10GB – والحد الأعلى لعدد الأمثلة النصية في مجموعة التدريب: 1,000,000 مثال.
✴️ أقصى عدد توكنات (مدخل+مخرج) لكل مثال تدريبي: 131,072 توكن/رمز.

مسار عملي مفضله موصى به 👌

✴️ ابدأ بـ Supervised Fine-Tuning (SFT) على أزواج prompt-accepted-response لبناء نقطة انطلاق قوية.

✴️ ثم واصل من نفس نقطة التحقق باستخدام Preference Tuning / DPO لتحسين احتمالية الاستجابة المفضلة، وبذلك تحصل على نموذج أكثر اتساقًا مع ذوقك أو ذوق عميلك.

أي ::: إذا أردت نموذجًا يعطي إجابات ليست فقط صحيحة بل “محبَّبة” لدى المستخدم، فـ Preference Tuning يمثل حلًا عمليًا وديناميكيا لمرحلة ما بعد الـ SFT، ويمكنك بسلاسة من ضبط الأسلوب والسلوك دون الحاجة إلى هندسة (كاملة) مكلفة ؛؛

المتطلبات (Prerequisites) لبدء استخدام Preference Tuning 😊

✴️ مشروع Google Cloud مفعل مع إعدادات billing.
✴️ تفعيل Vertex AI API.

رابط للمزيد 👇🔗

https://docs.cloud.google.com/vertex-ai/generative-ai/docs/models/gemini-preference-tuning