أطر تقييم نماذج اللغة في النشر السيادي: راجاس وديب إيفال

الجهة السيادية التي استثمرت في أوزان محلية وفي خط استرجاع معزول وفي محوّل ضبط دقيق تظلّ مطالَبة بإجابة سؤال تشغيلي واحد عند كلّ تحديث: هل تراجعت الجودة؟ لا يمكن أن تأتي الإجابة الأمينة من نموذج تجريبي مفرد أو من قائمة اختبار مكتوبة يدوياً لا يحدّثها أحد. لا بدّ أن تأتي من مهمّة تقييم قابلة للتكرار تعمل على كلّ نقطة فحص، تقيس المقاييس ذاتها بالطريقة ذاتها في كلّ مرّة، وتُوقف الدمج عند أيّ انحدار. في عام 2026، يُعدّ إطارا Ragas وDeepEval الركيزتين مفتوحتي المصدر اللتين يبني عليهما معظم النشر السيادي تلك المهمّة. تشرح هذه المقالة موضع كلّ منهما، ولماذا تخسر النصوص البرمجية الارتجالية، وكيف تربطهما بمسار تكامل مستمرّ حول إطلاق محوّلات الضبط وفق الأنماط الواردة في المقالة الركيزة LoRA QLoRA on-premise.

لماذا تتفوّق الأطر مفتوحة المصدر على النصوص الارتجالية للمشترين السياديّين

تبدأ معظم المؤسسات بدفتر ملاحظات يحوي مجموعة من المُحفّزات المختارة، يراجعها محلّل أوّل يدوياً. هذا النهج يحمل ثلاثة إخفاقات بنيوية تظهر خلال أشهر. التغطية ضحلة لأنّ لا أحد يحدّث قائمة المُحفّزات بعد إطلاق المشروع، والقابلية للتكرار ضعيفة لأنّ المُحفّزات تتطوّر أسرع من نموذج التقييم، والقابلية للتدقيق هزيلة لأنّ لا أثر منظّم لأيّ نقطة فحص أو تاريخ أو حَكَم.

يعالج الإطار مفتوح المصدر هذه الإخفاقات الثلاثة بأن يمنحك تعريفاً مُحَزَّن الإصدار للمقاييس، ومُهمّة قابلة للتشغيل تأخذ مجموعة بيانات وتُخرج تقريراً مُهيكلاً، ومجتمع باحثين يبقي المقاييس معايَرة مقابل معايير أكاديمية. وبالنسبة للجهة السيادية، يهمّ الإطار أيضاً لأنّ المصدر قابل للتدقيق: مُحفّز الحَكَم ونموذج التقييم وتجميع الدرجات وأنماط الإخفاق كلّها مرئيّة في الكود، لا مدفونة في خدمة سحابية. كلا الإطارين Ragas وDeepEval يصدران برخص متساهلة ويعملان محلياً بالكامل عبر أيّ نقطة وصول متوافقة مع OpenAI، بما فيها نموذج Qwen 3.6 أو Gemma 4 مستضاف محلياً بصفته الحَكَم.

التحوّل الذي استقرّ عليه المجتمع البحثي خلال 2024 و2025 هو نمط نموذج اللغة بوصفه حَكَماً، حيث يقيّم نموذج قويّ مخرجات نموذج آخر مقابل نموذج تقييم. أظهرت ورقة Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena أنّ الحَكَم القادر، إذا حُفِّز بعناية، يرتبط ارتباطاً قوياً بالتفضيل البشري. هذه هي التقنية التي يعتمد عليها كلا الإطارين تحت الغطاء.

راجاس: عقد التقييم المتخصّص لأنظمة الاسترجاع المعزَّز

إطار Ragas هو إطار التقييم الذي اكتسب موقعه بكونه ممتازاً في نطاق ضيّق هو الاسترجاع المعزَّز. يُعرِّف مجموعة صغيرة من المقاييس ترتبط مباشرة بأنماط الإخفاق التي يطرحها المنظِّم أو المدقّق السيادي. أهمّ ثلاثة مقاييس في حوارات التوريد هي: الأمانة (هل تنبثق الإجابة من السياق المسترجع دون اختلاق)، وملاءمة الإجابة (هل تجيب فعلاً عن السؤال)، ودقة السياق (هل أبرز المُسترجِع المقاطع الصحيحة ورتّبها جيداً). يُحسَب كلّ مقياس عبر استدعاء نموذج لغوي بوصفه حَكَماً مقابل نموذج تقييم يُحَزِّن الإطارُ إصدارَه ويَنشره.

الوثائق الرسمية لفريق Exploding Gradients هي المرجع المعتمد لتعريف المقاييس وصيغة مجموعة البيانات والعدّاء. يربط النشر السيادي إطار Ragas بخطّ الاسترجاع القائم بتصدير مجموعة بيانات صغيرة من السؤال والإجابة المرجعية والسياقات المسترجعة والإجابة المُولَّدة، ثم تشغيل المجموعة مقابل حَكَم محلي. مقياس الأمانة هو الأجدر ببوّابة صارمة على وثائق المؤسسة لأنّ الهلوسة على مصدر منظَّم نمط إخفاق لا يقبله مدقّق. تكشف ملاءمة الإجابة انجراف المُسترجِع بعد تحديث المتن. وتفضح دقة السياق ما إذا كان نموذج التضمين والمُقطِّع لا يزالان يؤدّيان واجبهما؛ إن كنت تضبط هذا الجانب أيضاً، تُغطّي مقالتنا حول تضمينات الاسترجاع ثنائية اللغة عربي إنجليزي روافع الجانب التضميني.

ديب إيفال: المهمّة الأوسع لاختبارات الانحدار

إطار DeepEval هو الشبكة الأعرض. حيث يتركّز Ragas على الاسترجاع المعزَّز، يُبنى DeepEval على هيئة pytest لمخرجات نماذج اللغة، ويغطّي مقاييس الاسترجاع ومقاييس الوكلاء واستدعاء الأدوات والتلخيص والهلوسة والتحيّز والسمّية، وأيّ مقياس مخصّص تُعرِّفه مقابل نموذج تقييم. تشحن وثائق Confident AI لإطار DeepEval كتالوغاً موسَّعاً من المقاييس وواجهة تأكيد تُسقِط الاختبار عند خرق العتبة وعدّاءً يتكامل مع أيّ مزوّد تكامل مستمرّ.

أهمّ ثلاث قطع للمشتري السيادي في DeepEval. المقاييس المخصّصة تتيح كتابة نموذج تقييم خاصّ بالمؤسسة، مثل: «يجب أن تستشهد الإجابة بفقرة عربية واحدة على الأقلّ»، أو «يجب أن ترفض الاستجابة الأسئلة الخارجة عن التكليف بصوت المؤسسة»، ثم تُقيِّم كلّ مُخرَج على ذلك النموذج. واختبار الانحدار يحوّل كلّ مقياس إلى تأكيد يُسقِط البناء عند هبوط الدرجة، وهو ما يحتاجه التكامل المستمرّ. وتحزينُ مجموعات البيانات يحفظ مجموعة تقييم ثابتة عبر ترقيات النموذج وتبديل المحوّلات وتغيير المُسترجِع، فتظلّ المقارنة عادلة.

تشغيل الإطارين في التكامل المستمرّ لإطلاق محوّلات الضبط

الحالة النهائية لنشر سيادي هي خطّ واحد يتحفّز عند كلّ تغيير في محوّل أو نموذج. يسحب الخطّ نقطة الفحص الجديدة، يُحمِّلها في وقت تشغيل الخدمة المحلي، يُشغِّل Ragas فوق مجموعة بيانات الاسترجاع المؤسسية، يُشغِّل DeepEval فوق مجموعة السلوك الأوسع، يكتب الدرجات إلى مخزن مُحَزَّن الإصدار، ويقارنها بنقطة الفحص السابقة على كلّ مقياس. يُسمح بالدمج فقط حين لا يهبط أيّ مقياس عن الفارق المتّفق عليه وتظلّ العتبات المطلقة فوق الحدّ الأدنى.

ثلاث قواعد تشغيلية تحمل معظم القيمة. أوّلاً، جمِّد نموذج الحَكَم: تثبيت بناء محدّد من Qwen 3.6 أو Gemma 4 محلياً يُبقي الدرجات قابلة للمقارنة عبر الأشهر. ثانياً، افصل الحَكَم عن النموذج المرشّح: لا يجوز أن يصحّح النموذج إجاباته بنفسه. ثالثاً، احتفظ بمجموعة ذهبية صغيرة يقيّمها خبراء إلى جانب تشغيلات الإطار، وعايِر الحَكَم ربع سنوياً مقابلها. هذا الانضباط هو ما يُحوِّل عبارة «قيّمنا النموذج» إلى «لدينا عقد جودة قابل للتكرار وقابل للتدقيق ومحلي بالكامل».

إن أردت خطّ تقييم جاهزاً مضبوطاً على متن مؤسستك، ببوّابات أمانة عبر Ragas وتأكيدات انحدار عبر DeepEval مربوطة بالتكامل المستمرّ لكلّ من النماذج الأساس والمحوّلات، راسِلنا على [email protected] لجلسة إيجاز مدّتها ساعة. سنناقش شكل مجموعة بياناتك واختيار نموذج الحَكَم وسياسة العتبات معك مباشرة.