هل استخدام Axolotl مجاني للأغراض التجارية؟

نعم. تم إصدار Axolotl بموجب ترخيص Apache 2.0، والذي يسمح بالاستخدام التجاري، والتعديل، والتوزيع، والاستخدام الخاص دون قيود. يمكنك ضبط النماذج بدقة باستخدام Axolotl واستخدام تلك النماذج تجارياً. تكاليف حوسبة GPU هي مسؤوليتك الخاصة، وتُدفع لأي مزود سحابي تستخدمه (RunPod، Modal، AWS، إلخ).

هل يمكنني استخدام Axolotl على وحدة معالجة رسومات استهلاكية واحدة؟

نعم، مع بعض التحفظات. يدعم Axolotl التدريب على وحدة معالجة رسومات واحدة باستخدام LoRA و QLoRA، ويمكنه ضبط نماذج 7B بدقة على RTX 4090 بسعة 24 جيجابايت باستخدام تكميم 4 بت. ومع ذلك، إذا كانت سرعة وحدة معالجة الرسومات الواحدة هي القيد الأساسي، فإن Unsloth أسرع بحوالي الضعف على نفس الأجهزة بسبب أنوية Triton المخصصة. ميزة Axolotl تكمن في وحدات معالجة الرسومات المتعددة وقابلية إعادة الإنتاج، وليس في الإنتاجية الخام لوحدة معالجة رسومات واحدة.

كيف يتعامل Axolotl مع التدريب الموزع على وحدات معالجة رسومات متعددة؟

يدعم Axolotl كل من FSDP1 و FSDP2 و DeepSpeed ZeRO المراحل 1-3 مع خيارات تفريغ وحدة المعالجة المركزية. يعتمد التكوين بالكامل على YAML: أضف مقطع التدريب الموزع ذي الصلة إلى ملف التكوين الخاص بك وقم بالتشغيل باستخدام أمر torchrun المناسب. يتم دعم التدريب متعدد العقد أيضاً عبر Ray أو Torchrun. هذه هي الميزة المعمارية الأساسية للإطار مقارنة بـ Unsloth، والذي يتطلب اشتراك Pro مدفوع لاستخدام وحدات معالجة رسومات متعددة.

ما هو GRPO وهل يدعمه Axolotl؟

يُعد GRPO (تحسين السياسة النسبية للمجموعة) تقنية التعلم المعزز التي استخدمتها DeepSeek لتدريب نماذج التفكير. تقوم بتدريب النموذج لإنتاج مخرجات أفضل من خلال مقارنة مجموعات من الاستجابات المولدة بإشارة مكافأة، دون الحاجة إلى شبكة ناقد (critic network) منفصلة. أضاف Axolotl دعماً لـ GRPO على مستوى الإنتاج في الإصدار v0.16.0 (أبريل 2026) مع تكامل vLLM غير المتزامن الذي يحقق أوقات خطوات أسرع بنسبة 58% من خلال تداخل توليد الرموز مع التدريب. تتوفر أمثلة على تكوين GRPO في الوثائق الرسمية.

ما هي النماذج التي يدعمها Axolotl؟

يدعم Axolotl أكثر من 100 بنية، بما في ذلك جميع العائلات الرئيسية مفتوحة الأوزان: Llama 2/3/4، و Mistral و Mistral Small 4، و Qwen 2.5/3/3.5، و Gemma 3n/4، و Granite 4، و Phi، و Hunyuan، و Jamba، و Magistral. نماذج الرؤية واللغة (Qwen-VL، Pixtral، InternVL 3.5، GLM-4V) جاهزة للإنتاج اعتباراً من الإصدار v0.16.x. تتم إضافة بنى النماذج الجديدة عادةً في غضون أيام من إصدارها العام.

كيف يقارن Axolotl بـ Hugging Face TRL؟

يُعد TRL التطبيق المرجعي لـ Hugging Face لتدريب المحاذاة (RLHF، GRPO، DPO). إنه المكان الذي يتم فيه تنفيذ تقنيات المحاذاة الجديدة أولاً. يقوم Axolotl بتغليف TRL ومكتبات Hugging Face الأخرى خلف واجهة YAML. بالنسبة للضبط الدقيق الخاضع للإشراف البحت على نطاق واسع، يُعد Axolotl أسرع وأكثر تركيزاً على الإنتاج. بالنسبة لأبحاث المحاذاة المتطورة حيث تحتاج إلى وصول مباشر إلى الأجزاء الداخلية لحلقة التدريب، يمنحك TRL تحكماً أكبر. الاثنان متكاملان: يستخدم تطبيق GRPO في Axolotl نفس الآليات الأساسية مثل TRL ولكنه يُحسّن الإنتاجية عبر توليد vLLM غير المتزامن. ستجد الفرق التي تستخدم نظام Hugging Face البيئي الكامل (Transformers، PEFT، Datasets، Accelerate) أن Axolotl يتكامل بسلاسة إلى جانب TRL والحزمة الأوسع.

هل يمكنني دمج Axolotl مع Weights and Biases أو MLflow؟

نعم. تُصدر حلقة التدريب في Axolotl المقاييس إلى Weights and Biases افتراضياً إذا تم تكوين مفتاح W&B API. يتضمن تكوين YAML مقطع تسجيل لتعيين مشروع W&B، واسم التشغيل، والعلامات. يتم دعم MLflow و TensorBoard أيضاً. بالنسبة للفرق التي تستخدم تتبع التجارب كجزء من حزمة MLOps أكبر إلى جانب أدوات مثل MLflow أو منصات مماثلة، يتناسب Axolotl بشكل طبيعي كمكون للتدريب.

Axolotl

البرمجة

مجاني جزئيًا

Axolotl هو إطار عمل مجاني ومفتوح المصدر لضبط النماذج اللغوية الكبيرة (LLM) يتيح لفرق تعلم الآلة إجراء عمليات تدريب LoRA و QLoRA و GRPO قابلة لإعادة الإنتاج على أكثر من 100 بنية نموذج باستخدام ملف تكوين YAML واحد عبر إعدادات وحدات معالجة الرسومات المتعددة (multi-GPU).

حالات الاستخدام:البرمجة والتطوير

الميزات:APIOpen Source

يُعد Axolotl إطار عمل مجاني ومفتوح المصدر لضبط النماذج اللغوية الكبيرة (LLM)، صممه Wing Lian وتتم صيانته تحت مظلة مؤسستي Axolotl AI و OpenAccess AI Collective على GitHub. يقوم الإطار بتغليف Hugging Face Transformers و PEFT والمكتبات ذات الصلة خلف نظام تكوين يعتمد على YAML، بحيث تصبح عمليات التدريب عناصر قابلة لإعادة الإنتاج يمكنك حفظها في git، أو مشاركتها مع زملائك في الفريق، أو تسليمها إلى مسارات CI/CD. تم إصدار الإطار بموجب ترخيص Apache 2.0، ولا يحمل أي قيود ترخيص للاستخدام التجاري، وقد جذب مساهمات من أكثر من 170 مطوراً منذ إطلاقه في عام 2023.

يدعم Axolotl أكثر من 100 بنية نموذج، بما في ذلك Llama 4 و Mistral Small 4 و Qwen 3 و Gemma 4 و Granite 4، ومجموعة متنامية من نماذج الرؤية واللغة مثل Qwen-VL و Pixtral و InternVL 3.5. تشمل طرق التدريب الضبط الدقيق الكامل (full fine-tuning)، و LoRA، و QLoRA، وضبط التفضيلات (DPO، IPO، KTO، ORPO)، والتعلم المعزز (GRPO، GDPO)، ونمذجة المكافآت، والتدريب المدرك للتكميم (quantization-aware training). يُعد التدريب الموزع عبر وحدات معالجة رسومات متعددة (Multi-GPU) باستخدام FSDP1 و FSDP2 و DeepSpeed ميزة أساسية، إلى جانب دعم العقد المتعددة (multinode) من خلال Torchrun و Ray. يمكن سحب مجموعات البيانات من القرص المحلي، أو Hugging Face Hub، أو التخزين السحابي على S3 و Azure و GCP و OCI.

ما يقدمه Axolotl فعلياً في أبريل 2026

كان الإصدار v0.16.0 في 2 أبريل 2026 هو التحديث الأهم للإطار حتى الآن. أعلن Wing Lian عن قدرتين رئيسيتين: ScatterMoE مع أنوية LoRA Triton المدمجة التي توفر تمريرات أمامية لـ MoE أسرع بما يصل إلى 15 ضعفاً وتستهلك ذاكرة أقل بـ 40 ضعفاً مقارنة بالتطبيقات السابقة، وتدريب GRPO غير المتزامن مع تكامل vLLM الذي يحقق أوقات خطوات أسرع بنسبة 58% من خلال تداخل توليد الرموز (token generation) مع مسار التدريب.

"إصدار Axolotl v0.16.0 متاح الآن. ركيزتان أساسيتان في هذا الإصدار: 1. MoE و LoRA، مما يجعل الضبط الدقيق لـ MoE سريعاً (أسرع بـ 15 مرة، وذاكرة أقل بـ 40 مرة) وتدريب LoRA سلساً، عبر مختلف البنى، وجاهزاً للاستخدام المباشر. 2. GRPO، التدريب غير المتزامن (أسرع بنسبة 58%)، أنوية Triton المخصصة، والبيئة." -- Wing Lian (@winglian)، منصة X، 2 أبريل 2026

أضاف نفس الإصدار Flash Attention 4 مع التراجع التلقائي (automatic fallback)، وتكامل NeMo Gym لبيئات تدريب التعلم المعزز (RL)، والضبط الدقيق القائم على الطاقة (EBFT) كنهج جديد للتعلم المعزز، وتفريغ طبقات وحدة المعالجة المركزية (CPU layer offloading) لـ LoRA، والتدريب المدرك للتكميم MX، ودعم نماذج جديدة مثل Mistral Small 4 و Qwen 3.5 و NeMo Super. كما أعلن Wing Lian عن تجديد شامل للوثائق: "لقد قمنا أيضاً بتجديد الوثائق، وأضفنا أدلة جديدة لتدريب GRPO، وخدمة vLLM، واستقرار التدريب، وتصحيح الأخطاء، ومسارات العمل الخاصة بالوكلاء (agents)."

قدم الإصدار v0.13.0 في ديسمبر 2024 البث المباشر لـ SFT لأحجام مجموعات البيانات غير المحدودة، وتدريب انتشار النص (text diffusion) كمكون إضافي، والتدريب المدرك للتكميم NVFP4. وأضاف الإصدار v0.15.0 في مارس 2026 دعم Torch 2.10.0، وأنوية SonicMoE لوحدات معالجة الرسومات Hopper و Blackwell، وتكميم خبراء MoE الذي قلل من ذروة الذاكرة المحجوزة من 127 جيجابايت إلى 23 جيجابايت لنماذج خليط الخبراء (mixture-of-experts) الكبيرة، وتكامل SageAttention.

يغطي الإطار الآن دورة حياة ما بعد التدريب بالكامل من خلال ملف YAML واحد: المعالجة المسبقة لمجموعة البيانات، والتدريب، والتقييم، والتكميم، والتحضير للاستدلال (inference). تشمل إعدادات الأداء الافتراضية الرئيسية متغيرات Flash Attention، والتعبئة المتعددة (multipacking) (تعبئة التسلسلات معاً للتخلص من هدر الحشو)، والتوازي التسلسلي (sequence parallelism) لنماذج السياق الطويل. أوضح Wing Lian الأساس المنطقي للنهج القائم على التكوين في بودكاست Latent Space: "أردت حقاً أن يكون في ملف YAML لأنه أكثر قابلية للنقل وإعادة الإنتاج."

موقع Axolotl مقارنة بـ Unsloth و LLaMA-Factory

تُعد Unsloth أسرع أداة للضبط الدقيق على وحدة معالجة رسومات واحدة (single-GPU) متاحة اعتباراً من عام 2026، مع 53.9 ألف نجمة على GitHub مقابل 11.8 ألف لـ Axolotl. تستخدم Unsloth أنوية Triton مخصصة تحل محل FlashAttention 2 القياسي على مستوى النواة، مما يحقق تدريباً أسرع بـ 2-5 مرات واستهلاكاً أقل لـ VRAM بنسبة 70-80% مقارنة بالطرق الأساسية. في معيار قياس مباشر، استغرق تدريب Llama-3.1 8B QLoRA على A100 40GB لدورتين (epochs) على 512 رمزاً 3.2 ساعة مع Unsloth مقابل 5.8 ساعة مع Axolotl. توفر Unsloth أيضاً تدريباً أسرع لـ MoE بـ 12 مرة ويمكنها ملاءمة تدريب نموذج التفكير GRPO في 5 جيجابايت من VRAM. القيد الهيكلي هو: الإصدار مفتوح المصدر من Unsloth مخصص لوحدة معالجة رسومات واحدة فقط. يتطلب التدريب على وحدات معالجة رسومات متعددة اشتراك Unsloth Pro. تختار الفرق التي تتوسع إلى 4 أو 8 أو أكثر من وحدات معالجة الرسومات وتحتاج إلى ترخيص مفتوح استخدام Axolotl.

تحظى LLaMA-Factory بـ 68.4 ألف نجمة على GitHub وهي نقطة الدخول للفرق التي تحتاج إلى واجهة مستخدم ويب (UI) بدلاً من سطر الأوامر (terminal). تتعامل واجهة LlamaBoard الخاصة بها مع تكوين مجموعة البيانات، واختيار طريقة التدريب، والتقييم دون أي تفاعل مع سطر الأوامر، وتستخدم داخلياً الواجهة الخلفية لتسريع Unsloth بحيث يحصل المستخدمون لأول مرة على سرعة تنافسية تلقائياً. نقطة ضعف LLaMA-Factory هي أن التخصيص منخفض المستوى مقيد بواسطة واجهة المستخدم الرسومية (GUI)، وتصحيح أخطاء الإنتاج من خلال واجهة الويب أصعب من قراءة ملف YAML الذي تسبب في فشل التدريب. تكوينات Axolotl YAML قابلة للتحكم في الإصدارات، وقابلة للمقارنة (diff-able)، ومتوافقة مع مسارات العمل (pipelines) بطرق لا تتوفر في عمليات التشغيل المكونة عبر واجهة المستخدم الرسومية.

يُعد TRL (Transformer Reinforcement Learning، بـ 17.6 ألف نجمة) التطبيق المرجعي لـ Hugging Face لـ RLHF و GRPO، وهي التقنية التي استخدمتها DeepSeek لتدريب نماذج التفكير. TRL هو المكان الذي يتم فيه تنفيذ أوراق بحث المحاذاة (alignment) أولاً، ولكنه غير مُحسّن للإنتاجية في الضبط الدقيق الخاضع للإشراف. تطبيق GRPO في الإصدار v0.16.0 من Axolotl مع تداخل vLLM غير المتزامن يجعله الآن منافساً مباشراً لـ TRL في تدريب المحاذاة الإنتاجي على نطاق وحدات معالجة الرسومات المتعددة.

كيف يبدو سير العمل اليومي فعلياً

تبدأ عملية التدريب في Axolotl بملف YAML. يحدد التكوين الأدنى النموذج الأساسي (مسار Hugging Face Hub أو دليل محلي)، ومجموعة البيانات (معرف Hub، أو JSONL محلي، أو URI للتخزين السحابي)، وطريقة التدريب (LoRA، QLoRA، الضبط الدقيق الكامل)، وأي علامات تحسين. ثم يوجه ملف YAML عملية ترميز مجموعة البيانات (tokenization) والمعالجة المسبقة (يتم تشغيلها مرة واحدة وتخزينها مؤقتاً)، والتدريب بالطريقة المكونة، والتقييم الاختياري. أوامر CLI قصيرة: axolotl preprocess config.yml متبوعاً بـ axolotl train config.yml.

بالنسبة لعمليات التشغيل على وحدات معالجة رسومات متعددة، يضيف نفس ملف YAML مقطع DeepSpeed أو FSDP2. مثال إنتاجي حقيقي من معيار Spheron لعام 2026: استغرق تدريب Llama-3.1 70B على 8 وحدات معالجة رسومات H100 عبر 50,000 مثال 18 ساعة باستخدام Axolotl FSDP2 وأنتج تحسناً بنسبة 8-12% مقارنة بمتغيرات QLoRA في المهام النهائية (downstream tasks). تم حفظ ملف التكوين جنباً إلى جنب مع نتائج التجربة، مما جعل العملية قابلة لإعادة الإنتاج من قبل أي عضو في الفريق.

وثقت مدونة مطوري Red Hat مسار عمل للضبط الدقيق المتناثر (sparse fine-tuning) من ثلاث خطوات مبني على Axolotl في يونيو 2025. جمع سير العمل بين LLM Compressor للتناثر (sparsification)، و Axolotl للضبط الدقيق المدرك للتناثر باستخدام وصفة ConstantPruningModifier، والتكميم بعد التدريب قبل النشر على vLLM. النتيجة: نماذج أصغر بـ 3 مرات وأسرع بمرتين مع FP8 المتناثر، أو أصغر بـ 5 مرات وأسرع بـ 3 مرات مع INT4 المتناثر، مع الاحتفاظ بدقة تزيد عن 99% في المهمة.

يُعد Axolotl الإطار الذي يقف وراء العديد من عائلات النماذج مفتوحة المصدر البارزة. استخدمته Nous Research لتدريب Puffin و Capybara و NousHermes. تم بناء نماذج OpenHermes و Trismigestus الخاصة بـ Teknium على تكوينات Axolotl. تعني قابلية إعادة الإنتاج المستندة إلى YAML في الإطار أن تكوينات المجتمع لمجموعات محددة من النماذج/البيانات يتم تداولها على GitHub و Hugging Face جنباً إلى جنب مع الأوزان المضبوطة بدقة، مما يتيح للفرق نسخ (fork) وتكييف التجارب الناجحة بدلاً من البدء من الصفر. بالنسبة للفرق التي تتكامل مع Predibase أو OpenPipe للضبط الدقيق المستضاف، فإن تنسيق نقاط الحفظ (checkpoint) الخاص بـ Axolotl (Hugging Face Transformers القياسي) متوافق: يتم تحميل المحولات (adapters) المدربة في Axolotl مباشرة في أي حزمة استدلال قائمة على Transformers.

لمن تم بناء Axolotl

يستهدف Axolotl مهندسي تعلم الآلة وفرق البحث الذين يحتاجون إلى ضبط دقيق على مستوى الإنتاج مع تحكم كامل في عملية التدريب. الملف الشخصي: فريق يقوم بالضبط الدقيق لنماذج بمعلمات تتراوح بين 7B و 70B على بيانات خاصة بمجال معين، ويعمل على وحدتي معالجة رسومات أو أكثر أو عقدة GPU سحابية، ويحتاج إلى حفظ عملية التدريب في نظام التحكم في الإصدارات بحيث يمكن تدقيقها، أو تكرارها، أو تسليمها لمهندس آخر بعد ستة أشهر.

يُعد الإطار قوياً بشكل خاص لـ: الفرق التي تقوم بالضبط الدقيق متعدد الوسائط (نماذج الرؤية واللغة أو الصوت) حيث تكون تغطية Unsloth غير مكتملة؛ والفرق التي تستخدم GRPO بأسلوب DeepSeek لتدريب نماذج التفكير أو نماذج التعلم المعزز الخاصة بمجال معين؛ والفرق التي تدمج الضبط الدقيق في مسارات عمل MLOps حيث تكون قابلية إعادة الإنتاج أكثر أهمية من تقليل وقت التشغيل الفعلي في عملية واحدة؛ والفرق التي تقوم بالتدريب المتناثر أو المدرك للتكميم حيث يوفر دعم QAT في Axolotl وتكامله مع أدوات الضغط مثل LLM Compressor مسار عمل متكامل.

"بالنسبة لمعظم المستخدمين، خاصة إذا كنت مبتدئاً، نوصي باستخدام Axolotl نظراً لتوازنه بين سهولة الوصول والقوة." -- دليل الضبط الدقيق من Modal.com، 2025

يتكامل Axolotl أيضاً بشكل طبيعي مع النظام البيئي الأوسع. يتم تحميل مجموعات البيانات من Hugging Face Hub باستخدام معرف مجموعة بيانات Hub واحد في ملف YAML. يتم بث مقاييس التدريب إلى Weights and Biases أو أدوات التسجيل الأخرى المدعومة. تُحفظ نقاط الحفظ (Checkpoints) بتنسيق Transformers القياسي للنشر المباشر للاستدلال. يُعد توافق نقاط الحفظ ميزة عملية ذات مغزى: نظراً لأن جميع أطر عمل الضبط الدقيق الأربعة الرئيسية مفتوحة المصدر (Axolotl و Unsloth و LLaMA-Factory و TRL) تشترك في تنسيق نقاط حفظ Hugging Face Transformers الأساسي، يتم تحميل محولات LoRA المدربة في Axolotl مباشرة في Unsloth للاستدلال، أو في أي حزمة خدمة قائمة على Transformers بما في ذلك vLLM و llama.cpp. الفرق غير مقيدة. لا يكلف التبديل من التدريب القائم على YAML في Axolotl إلى بيئة تشغيل استدلال مختلفة شيئاً سوى إعادة كتابة التكوين.

تشكل فلسفة YAML-as-config أيضاً كيفية مشاركة مستخدمي Axolotl لعملهم. عندما ينشر الباحثون نماذج مضبوطة بدقة على Hugging Face Hub، ينتقل ملف تكوين YAML جنباً إلى جنب مع الأوزان، مما يجعل إعداد التدريب شفافاً وقابلاً لإعادة الإنتاج. هذه ثقافة مختلفة عن مسارات العمل القائمة على دفاتر الملاحظات (notebooks): فبدلاً من دفتر Colab بمعلمات مضمنة، تحصل على مواصفات تعريفية يمكن لأي مهندس في الفريق تشغيلها، وتدقيقها، وتعديلها دون لمس كود Python. بالنسبة للمؤسسات التي تحتاج فيها عمليات تدريب النماذج إلى اجتياز مراجعة داخلية أو إعادة إنتاجها بعد أشهر للامتثال أو تصحيح الأخطاء، يُعد مسار التدقيق هذا فائدة مادية مقارنة بالأدوات القائمة على واجهة المستخدم الرسومية.

ما لا يقدمه Axolotl

لا يُعد Axolotl الخطوة الأولى الصحيحة لشخص ليس لديه خلفية في تعلم الآلة. يتطلب التثبيت Python 3.11+، و PyTorch 2.9.1+، ووحدة معالجة رسومات NVIDIA Ampere متوافقة مع CUDA أو أحدث. يواجه المستخدمون لأول مرة بانتظام عدم تطابق في إصدارات التبعيات أو أخطاء نفاد الذاكرة في عمليات التشغيل الأولية، ولا تشير رسائل الخطأ دائماً بوضوح إلى معلمة YAML المسؤولة. إحدى الشكاوى المتكررة عبر المراجعات: "Axolotl أداة رائعة، لكن وثائقها ليست سهلة المتابعة." إذا كنت بحاجة إلى واجهة ويب، وإعداد في خمس دقائق، وبدون عمل على سطر الأوامر، فإن LLaMA-Factory هو الخيار الصحيح.

كما أن Axolotl ليس أسرع إطار عمل لوحدة معالجة رسومات واحدة. إذا كان قيدك هو زيادة سرعة التدريب على وحدة معالجة رسومات استهلاكية واحدة (RTX 4090 أو 3090 أو مثيل Colab مجاني)، فإن Unsloth سيتفوق على إنتاجية Axolotl بحوالي الضعف عند استخدام VRAM مماثل. تضيف طبقات التجريد حول Hugging Face Transformers عبئاً إضافياً يظهر بوضوح في معايير وحدة معالجة الرسومات الواحدة. لا تتحقق ميزة Axolotl في وحدات معالجة الرسومات المتعددة إلا عندما يكون لديك وحدتي معالجة رسومات أو أكثر وتحتاج إلى تنسيق FSDP أو DeepSpeed.

أخيراً، Axolotl ليس خدمة مُدارة أو واجهة برمجة تطبيقات (API). لا توجد نقطة نهاية (endpoint) لـ Axolotl يمكنك استدعاؤها لضبط نموذج بدقة. أنت تقوم بتشغيله بنفسك على أجهزتك الخاصة أو مزود GPU سحابي. يجب على الفرق التي ترغب في الضبط الدقيق كواجهة برمجة تطبيقات مُدارة أن تنظر إلى Predibase أو OpenPipe بدلاً من ذلك.