مكسب وحيد بنسبة 2.33% من التدريب على الشعر، مقابل تراجع في تفسير الأمثال لدى ALLaM وFanar بعد الضبط على بيانات ثقافية.
ضمن ملف: نماذج الذكاء الاصطناعي، الذكاء الاصطناعي في الخليج
بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
المصدر الأساسي: arXiv
لماذا يهم
من يبني نماذج أو تطبيقات عربية فوق ALLaM أو Fanar يحتاج أن يعرف أن جولة fine-tuning إضافية على بيانات ثقافية قد تُضعف الأداء بدل تحسينه، وأن العائد الأكبر ربما يكون في بناء مقاييس تقييم عربية أمتن.
مكسب واحد صغير بنسبة 2.33% هو كل ما نجا من الاختبارات الإحصائية في دراسة حاولت الإجابة على سؤال يبدو بديهياً: هل يتعلم النموذج اللغوي المجاز إذا دربته على الثقافة، وهل يتعلم الثقافة إذا دربته على المجاز؟ الجواب، بحسب ورقة بحثية على arXiv من إعداد مِنا عطية ومنى دياب وثمر سولوريو، هو أن العلاقة بين الاثنين حقيقية مفاهيمياً لكنها لا تُلتقط عبر الـ fine-tuning وحده.
الإطار التجريبي واضح: أربعة نماذج هي ALLaM-7B وFanar-1-9B وQwen3-8B وLlama-3.1-8B، وستّ مجموعات بيانات عربية تغطي المعرفة الثقافية العامة والأمثال والشعر عبر لهجات ومناطق متعددة، وفقاً للورقة نفسها. اثنان من النماذج عربية المنشأ والتوجّه، واثنان متعددا اللغات، وهذا التقسيم هو ما جعل النتائج مثيرة أكثر من الرقم الرئيسي.
- الشعر ينفع الأمثال، بمقدار متواضع. الضبط الدقيق على بيانات شعرية رفع فهم التعابير الاصطلاحية بنسبة 2.33% بدلالة إحصائية (p < 0.05)، بحسب الورقة. هذا هو الانتقال الإيجابي الوحيد المؤكد في الدراسة كلها.
- المكسب ليس مجرد “تحسين للعربية”. الباحثون شغّلوا ضبطاً ضابطاً على ArabicMMLU، ولم يُعِد إنتاج نفس المكسب، ما يعني أن الأثر جاء من طبيعة المحتوى المجازي لا من مجرد تعريض النموذج لمزيد من النص العربي، وفقاً للورقة. هذه أنظف نقطة منهجية في البحث.
- الضبط الثقافي يضرّ بتفسير الأمثال. التدريب على بيانات المعرفة الثقافية خفّض دقة تفسير الأمثال في النموذجين العربيَّين معاً، بحسب الدراسة، أي أن الاتجاه المعاكس للانتقال لم يكن محايداً بل سلبياً.
- ما تبقّى لا يُميَّز عن الضجيج. خارج هاتين الحالتين، الانتقال بين المجالين لم يتجاوز حدود الضوضاء الإحصائية، مع تراجع متكرر للنماذج العربية بعد الضبط، وهو ما تفسّره الورقة باحتمال تشبّع مسبق بالمعرفة ذات الصلة، فيما أظهرت النماذج متعددة اللغات هامش تكيّف أكبر.
- الخطأ يتوزّع بشكل غير متماثل. تحليل الأخطاء أظهر أن الـ fine-tuning يعزّز المعرفة الثقافية التجريبية المعاشة، لكنه يزعزع في المقابل المعرفة الوقائعية ذات الجذور التاريخية، بحسب الورقة. أي أن النموذج يصبح أفضل في “كيف يعيش الناس” وأسوأ في “ماذا حدث ومتى”.
النقطة الرابعة هي الأهم عملياً لمن يبني فوق نماذج عربية. إذا كان ALLaM وFanar يتراجعان بعد الضبط على بيانات ثقافية عربية، فالمشكلة ليست في نقص البيانات بل في أن ما تملكه من بيانات لا يضيف جديداً على ما استُهلك أصلاً في مرحلة ما قبل التدريب، وقد يزيح توزيعات مضبوطة سلفاً. أما Qwen3 وLlama-3.1، فالمساحة أمامهما أوسع لأنهما ببساطة بدآ من نقطة أدنى. هل هذا يعني أن جمع مزيد من الأمثال والأشعار العربية بلا جدوى؟ لا، لكنه يعني أن قناة الاستفادة منها على الأرجح ليست الـ fine-tuning الكلاسيكي.
يجب التعامل مع هذه النتائج بحذر منهجي معلن: الدراسة تعمل على نماذج بحجم 7 إلى 9 مليارات معامل فقط، وحجم المكسب المؤكد ضئيل جداً بمعايير أي benchmark، ولم يتسنَّ التحقق من النتائج بشكل مستقل بعد لأنها ورقة preprint لم تمر بمراجعة الأقران. الورقة أُودعت في 18 أغسطس 2026 على arXiv تحت تصنيف cs.CL.
ما يستحق التوقف عنده في المنطقة أن النموذجين اللذين تراجعا هما بالتحديد النموذجان المدعومان إقليمياً: ALLaM السعودي وFanar القطري. القراءة المتفائلة أنهما بلغا سقف ما تقدّمه بيانات المجاز والثقافة العربية المتاحة علناً. القراءة الأقل تفاؤلاً أن مقاييس تفسير الأمثال والتعابير نفسها قد تكون هشة بما يكفي لتسجيل تذبذب لا معنى له. تمييز الاحتمالين يحتاج مجموعات تقييم عربية أمتن، وهذه فجوة يعرفها كل من عمل على تقييم العربية، وهي على الأرجح استثمار أعلى عائداً من جولة ضبط دقيق إضافية.
ماذا يعني للمنطقة؟
النموذجان اللذان تراجعا بعد الضبط هما ALLaM السعودي وFanar القطري، ما يطرح سؤالاً مباشراً عن سقف بيانات المجاز والثقافة العربية المتاحة علناً وعن جودة مجموعات التقييم العربية نفسها.
المصادر
