Predibase

Predibase هي منصة للضبط الدقيق وخدمة النماذج اللغوية الكبيرة مفتوحة المصدر، صممها الفريق الذي ابتكر Horovod و Ludwig في مجموعة البنية التحتية للذكاء الاصطناعي التابعة لشركة Uber. تأسست الشركة في عام 2021 على يد Travis Addair (المدير التقني)، و Devvret Rishi (الرئيس التنفيذي)، و Piero Molino (كبير علماء البيانات)، وأمضت ثلاث سنوات في بناء بنية تحتية تحل مشكلة إنتاجية محددة: كيف يمكنك نشر العديد من متغيرات النماذج المضبوطة بدقة دون دفع تكلفة وحدة معالجة رسومات (GPU) مخصصة لكل نموذج؟ في يونيو 2025، استحوذت Rubrik على Predibase في صفقة قُدرت قيمتها بين $100 million و $500 million، مما وضعها داخل منصة للأمن السيبراني للبيانات تهدف إلى تبني الذكاء الاصطناعي القائم على الوكلاء في المؤسسات.

المركز التقني للمنصة هو LoRAX (LoRA eXchange)، وهو إطار عمل مفتوح المصدر لخدمة المحولات المتعددة يقوم بتشغيل مئات من محولات LoRA المضبوطة بدقة في وقت واحد مقابل نموذج أساسي مشترك على وحدة معالجة رسومات (GPU) واحدة. وفوق ذلك تأتي تقنية Turbo LoRA، وهي تقنية تجمع بين LoRA وفك التشفير التخميني لتحقيق تحسينات في الإنتاجية بمقدار 2-3x في وقت الاستدلال. تتم معالجة الضبط الدقيق عبر مسار التدريب المدعوم من Ludwig مع دعم للضبط الدقيق الخاضع للإشراف القياسي، واعتباراً من أوائل عام 2025، الضبط الدقيق المعزز (RFT) باستخدام تحسين المكافآت GRPO. تتكامل المنصة مع AWS و Azure و GCP للنشر عبر السحابة الخاصة الافتراضية (VPC)، وتغطي الباقة المجانية بدون خوادم ما يصل إلى 10M رمز مميز (token) شهرياً للتجارب.

ما الذي تقدمه Predibase فعلياً في مايو 2026

تعمل Predibase كمستوى تحكم مُدار فوق وحدتي بناء تقنيتين: LoRAX للخدمة و Ludwig للتدريب. سير عمل التدريب مباشر وبسيط. تقوم بربط مجموعة بيانات، وتحديد نموذج أساسي (يتم دعم Llama 3 و Mistral ومشتقاتهما رسمياً)، وتكوين المعلمات الفائقة لـ LoRA، وإرسال مهمة. يتم تشغيل المهام على وحدات معالجة الرسومات (GPUs) المُدارة بواسطة Predibase أو المستضافة على VPC. بعد التدريب، تقوم بإنشاء نقطة نهاية للنشر تقوم بتحميل المحول (المحولات) الخاص بك مقابل النموذج الأساسي المشترك عبر LoRAX.

هذه الخطوة الأخيرة أكثر أهمية مما تبدو عليه. على عكس بعض المنافسين الذين يقومون بالنشر التلقائي عند اكتمال التدريب، تتطلب Predibase خطوة صريحة لإنشاء النشر. يمكن لنشر LoRAX واحد استضافة العشرات من المحولات في وقت واحد، حيث يوجه كل منها إلى متغير مختلف مضبوط بدقة. هذه هي البنية التي استخدمتها Checkr عند استبدال GPT-4 عبر مهام تصنيف فحص الخلفية المتعددة: نموذج أساسي واحد Llama 3 8B، ومحولات متعددة مضبوطة بدقة لأنواع الحالات المختلفة، يتم تقديمها جميعاً من نقطة نهاية GPU واحدة باستدلال أسرع بمقدار 30x وتكلفة أقل بمقدار 5x مقارنة بواجهة برمجة تطبيقات OpenAI.

يذهب الضبط الدقيق المعزز (RFT)، الذي تم إطلاقه في أوائل عام 2025 والمتاح في باقات Enterprise و VPC، إلى أبعد من ذلك. بدلاً من طلب آلاف الأمثلة المصنفة، يعمل RFT من خلال دالة مكافأة: أنت تحدد كيف يبدو المخرج الصحيح (كائن JSON صالح، اختبار ناجح، درجة ثقة أعلى من حد معين)، ويكرر النموذج عملياته بناءً على تلك المكافأة. وصف المدير التقني لشركة Predibase، Travis Addair، الحد العملي في مقابلة أجريت في فبراير 2025:

"دالة المكافأة هي بالتأكيد أكبر عنق زجاجة. ينتهي بك الأمر بقضاء حوالي 80 بالمائة من وقتك عند العمل مع هذا." - Travis Addair، المدير التقني لشركة Predibase، NextWord Substack، فبراير 2025

تمنح الباقة بدون خوادم الفرق مساراً خالياً من البنية التحتية للتجارب: ما يصل إلى 1M رمز مميز يومياً، و 10M شهرياً، مقابل النماذج الأساسية المستضافة لدى Predibase. تنتقل أعباء عمل الإنتاج إلى عمليات النشر الخاصة التي تتم فوترتها بالثانية، حيث تتراوح تكلفة حوسبة GPU بين $2.14 و $4.80 في الساعة تقريباً اعتماداً على الأجهزة. يتم تحصيل رسوم مهام الضبط الدقيق لكل مليون رمز مميز تتم معالجته، بأسعار تتراوح من $0.50 إلى $20.00 لكل مليون اعتماداً على حجم النموذج وطريقة الضبط الدقيق.

موقع Predibase مقارنة بـ OpenPipe و Together AI

تنقسم منصات الضبط الدقيق على محور أساسي: من يوفر بيانات التدريب، وما هو مقدار هندسة تعلم الآلة (ML) المتوقع من المستخدم. تجيب كل من Predibase و OpenPipe و Together AI على هذا السؤال بطريقة مختلفة.

تستهدف OpenPipe (التي استحوذت عليها CoreWeave في سبتمبر 2025) مطوري التطبيقات الذين لا يرغبون في التفكير في بيانات التدريب على الإطلاق. تقوم حزمة تطوير البرمجيات (SDK) الخاصة بها بتغليف استدعاءات واجهة برمجة تطبيقات LLM الحالية، وتلتقط أزواج الطلب/الاستجابة من حركة مرور الإنتاج، وتحولها إلى مجموعة بيانات للضبط الدقيق تلقائياً. أنت تستخلص من استخدام تطبيقك المباشر بدلاً من بناء مجموعة نصوص منسقة. اختيار النموذج الأساسي أضيق (حوالي 10 نماذج عند الاستحواذ)، وتقتصر طرق الضبط الدقيق على SFT القياسي. بالنسبة للفرق التي تدير بالفعل منتجاً يعتمد على GPT-4 أو أي LLM مستضاف آخر، فإن OpenPipe تمثل عبئاً أقل. أما بالنسبة للفرق التي تبني تطبيقات جديدة ليس لديها حركة مرور إنتاجية بعد، فإنها تقدم فائدة أقل. لا يوجد مكافئ لخدمة المحولات المتعددة LoRAX الخاصة بـ Predibase في حزمة OpenPipe.

تتخذ Together AI نهجاً يعتمد على الاتساع أولاً: أكثر من 200 نموذج مفتوح المصدر يمكن الوصول إليها عبر واجهة برمجة تطبيقات متوافقة مع OpenAI، مع اعتبار الضبط الدقيق ميزة بدلاً من كونه المنتج الأساسي. تدعم Together تحسين التفضيل المباشر (DPO) إلى جانب الضبط الدقيق الخاضع للإشراف، وهو ما لا تعرضه Predibase بشكل أصلي في واجهة المستخدم الخاصة بها. تمتد نافذة السياق الخاصة بـ Together للضبط الدقيق لنموذج Llama 3.1-8B إلى 131k رمز مميز. تتم الفوترة لكل رمز مميز بدلاً من كل ثانية تشغيل لـ GPU، مما يجعل التكاليف أكثر قابلية للتنبؤ لأعباء العمل المتغيرة. المقايضة: تقوم Together بتشغيل نموذج واحد لكل نقطة نهاية. لا يوجد مكافئ لتجميع المحولات المتعددة الخاص بـ LoRAX، مما يعني أن الفرق التي تخدم 20 متغيراً مضبوطاً بدقة تدفع مقابل 20 عملية نشر منفصلة. بالنسبة لأساطيل النماذج المتعددة، يمكن أن تكون اقتصاديات Predibase أفضل بكثير. أما بالنسبة للفرق التي تحتاج إلى نموذج واحد مُحسّن جيداً مع اختيار قاعدة واسعة، فإن Together AI هي المسار الأوضح. يمكنك استكشاف Together AI على together.ai.

منصات أخرى في مجال الضبط الدقيق للبنية التحتية تستحق المعرفة: تقدم Modal و RunPod حوسبة GPU خام حيث تتحكم في حزمة التدريب بأكملها، مما يوفر مرونة أكبر بتكلفة هندسية أعلى. تتخذ Anyscale نهجاً أصلياً يعتمد على Ray للضبط الدقيق الموزع على نطاق واسع. تقدم Replicate و fal.ai خدمة الاستدلال على نطاق واسع ولكنها توفر أدوات ضبط دقيق أخف من Predibase.

كيف يبدو سير عمل الضبط الدقيق فعلياً

يتضمن إدخال نموذج مضبوط بدقة إلى مرحلة الإنتاج على Predibase ثلاث مراحل: إعداد البيانات وتحميلها، وتكوين مهمة التدريب، وإنشاء النشر. تتعامل واجهة مستخدم الويب مع مسارات العمل الأساسية ولكنها تعرض عناصر تحكم محدودة في المعلمات الفائقة. يعمل المستخدمون المتقدمون من خلال حزمة تطوير البرمجيات (SDK) لـ Python أو واجهة برمجة تطبيقات REST.

تتبع متطلبات بيانات التدريب اصطلاحات مخطط Ludwig: تتم تسمية الأعمدة بناءً على نوع المهمة (يتطلب ضبط التعليمات أسماء أعمدة مختلفة عن إكمال النص). توفر المنصة جزءاً لمعاينة مجموعة البيانات أثناء التحميل يتحقق من التنسيق قبل إرسال المهام، مما يكتشف أخطاء المخطط مبكراً. استغرقت عملية الضبط الدقيق لنموذج Qwen2 في اختبار عملي أجراه ممارس تعلم الآلة Alex Strick van Linschoten حوالي 53 دقيقة على وحدة معالجة الرسومات A100 في يونيو 2024. بعد اكتمال التدريب، لاحظ Strick نقطة احتكاك:

"لم أكن أتوقع هذه الخطوة الإضافية، وتستغرق بعض الوقت للبدء." - Alex Strick van Linschoten، مدونة شخصية، يونيو 2024، في إشارة إلى خطوة إنشاء النشر المنفصلة بعد اكتمال التدريب

في اختباره، فشل تهيئة نشر النموذج بعد عدة ساعات، مما منع اختبار الاستدلال. هذا نمط فشل حقيقي، وليس حالة نادرة. يجب على فرق الإنتاج التحقق من صحة تهيئة النشر كجزء من عملية التكامل المستمر/النشر المستمر (CI/CD) الخاصة بهم قبل توجيه حركة المرور. تُدخل بنية نشر LoRAX زمن انتقال عند البدء البارد عندما يتم تحميل المحولات من التخزين إلى ذاكرة GPU؛ وتكون الطلبات اللاحقة لنفس المحول سريعة بمجرد تخزينها مؤقتاً.

بالنسبة لمسارات عمل RFT، يكمن التعقيد الإضافي في تصميم دالة المكافأة. أنت تكتب دالة تأخذ إكمال النموذج وتُرجع مكافأة عددية. المهام المحددة جيداً (التحقق من صحة مخطط JSON، تنفيذ التعليمات البرمجية، مطابقة التعبيرات العادية) هي مناسبة تماماً. تتطلب المهام الغامضة (النبرة، الفائدة، جودة التلخيص) تصميم معايير تقييم وغالباً منطق تسجيل مخصص. تتوافق ملاحظة Travis Addair بأن تصميم دالة المكافأة يستهلك 80% من وقت مشروع RFT مع ما تبلغ عنه الفرق من مسارات عمل GRPO المماثلة. تقوم Predibase بتغليف البنية التحتية بحيث لا تدير البنية التحتية لتدريب التعلم المعزز (RL) الموزع بنفسك، لكن عمل تصميم المكافأة لا يختفي.

لمن صُممت Predibase

الملاءمة الأوضح هي لفريق هندسة تعلم الآلة في شركة تمتلك بيانات خاصة، ومتطلبات نماذج متعددة خاصة بمجالات معينة، وميزانية حوسبة تبرر عمليات نشر GPU المخصصة. حالة Checkr تمثل نموذجاً لذلك: نظام إنتاج يتعامل مع ملايين من فحوصات الخلفية، حيث كانت دقة GPT-4 في الحالات النادرة غير كافية وكانت تكاليف واجهة برمجة التطبيقات على نطاق واسع باهظة. أدى الضبط الدقيق لنموذج Llama 3 8B مع محولات خاصة بالمهام إلى دقة أفضل بخُمس التكلفة. قدمت LoRAX من Predibase جميع محولات المهام من عملية نشر واحدة دون دفع تكاليف GPU لكل متغير.

تُعد المنصة أيضاً مناسبة تماماً للصناعات الخاضعة للتنظيم. تستخدم شركات الخدمات المالية مثل Nubank النشر عبر VPC لضمان عدم مغادرة بيانات التدريب لمحيطها السحابي أبداً. فرق الرعاية الصحية التي تقوم بالضبط الدقيق على سجلات المرضى، والفرق القانونية التي تقوم بالضبط الدقيق على تاريخ القضايا، والمقاولون الحكوميون الذين يعملون مع بيانات حساسة: كل هؤلاء يستفيدون من ضمانات إقامة البيانات الخاصة بباقة VPC. يعزز استحواذ Rubrik هذا الموقف، مضيفاً حوكمة بيانات المؤسسة والبنية التحتية الأمنية إلى سير عمل الضبط الدقيق.

تُعد فرق تطوير وكلاء الذكاء الاصطناعي التي تبني وكلاء متخصصين فوق نماذج LLMs مفتوحة المصدر مخصصة حالة استخدام ناشئة. يُعد RFT مناسباً بشكل خاص لتشكيل مكافأة الوكيل، حيث يمكنك تحديد ما إذا كانت استدعاءات أدوات الوكيل قد حققت النتيجة المستهدفة كإشارة مكافأة مباشرة. هذا هو الاتجاه الذي تدفع فيه Rubrik منصة Predibase بعد الاستحواذ، حيث أعادت صياغة علامتها التجارية من "منصة ضبط دقيق" إلى إطار "حوكمة كل وكيل".

ما لا تقدمه Predibase

Predibase ليست أداة خالية من التعليمات البرمجية (no-code). واجهة مستخدم الويب أنظف من بناء حزمة الضبط الدقيق الخاصة بك من الصفر، ولكن مهام مثل اختيار رتبة LoRA، وجدولة معدل التعلم، ودمج المحولات تتطلب معرفة بتعلم الآلة لتكوينها بشكل هادف. ستجد الفرق التي ليس لديها مهندس تعلم آلة مخصص أن عملية الإعداد صعبة.

إنها ليست واجهة برمجة تطبيقات تعتمد على الدفع لكل رمز مميز مع استدلال مجاني غير محدود. تغطي الباقة المجانية بدون خوادم التجارب، لكن أعباء عمل الإنتاج تتطلب عمليات نشر خاصة تتم فوترتها بالثانية. الفرق التي لديها حركة مرور متغيرة للغاية (طفرات تفصلها فترات خمول) ستتراكم عليها التكاليف خلال وقت الخمول. يفضل نموذج الفوترة أعباء العمل المستقرة والمتسقة حيث يتم إطفاء تكاليف وقت تشغيل GPU على الطلبات الثابتة. تُعد فوترة Together AI لكل رمز مميز أكثر ملاءمة لأنماط الاستخدام المتقطعة أو الموسمية.

إنها ليست منصة تطبيقات كاملة. تتعامل Predibase مع التدريب والخدمة. لا يزال يتعين عليك بناء بوابة واجهة برمجة التطبيقات، وتوجيه الطلبات، والمراقبة، ومنطق التطبيق فوقها. هذا أمر متعمد: إنها بنية تحتية، وليست حلاً جاهزاً.

تجاوز Predibase إذا كانت احتياجات النموذج الخاص بك تقع خارج عائلتي Llama و Mistral بشكل أصلي. الفرق التي تتطلب ضبطاً دقيقاً لنماذج Qwen أو Gemma أو Phi-3.5 أو DeepSeek على نطاق واسع تحظى بدعم رسمي محدود. تجاوزها إذا كان فريقك في مرحلة مبكرة وليس لديه حركة مرور إنتاجية لـ LLM بعد ويريد أسرع مسار لنموذج مضبوط بدقة، فإن نهج الاستخلاص الخاص بـ OpenPipe سيوصلك إلى هناك بشكل أسرع. تجاوزها إذا كان عدم اليقين بشأن الاستحواذ يمثل عائقاً: لم يتم تفصيل خارطة طريق منتج Rubrik لـ Predibase علناً اعتباراً من أبريل 2026، وتعكس مناقشات مجتمع المطورين مخاوف بشأن ما إذا كان منتج الضبط الدقيق بالخدمة الذاتية سيظل أولوية داخل شركة للأمن السيبراني.