ما هو Unsloth Docker؟ تشغيل وتدريب أكثر من 500 موديل محلياً بأمر واحد

Unsloth Docker هو صورة رسمية (Unsloth Docker image) تجمع كل ما تحتاجه، فهي تتيح تشغيل موديلات AI محلياً وتدريب موديلات AI محلياً، مع كل الاعتماديات مثبّتة مسبقاً. في سبتمبر 2026، أضاف الفريق دعم AMD وواجهة Unsloth Studio، فأصبح تشغيل أكثر من 500 موديل على جهازك مسألة أمر واحد بدل ساعات من إصلاح الأخطاء.

إذا سبق أن حاولت تعديل موديل محلياً، فأنت تعرف العقبة الحقيقية: نسخة CUDA يجب أن تطابق PyTorch، وPyTorch يجب أن يطابق تعريف كرت الرسومات، ثم تأتي bitsandbytes وTRL وPEFT، كل واحدة فرصة جديدة لشاشة أخطاء حمراء. Unsloth Docker يجيب على ذلك ببساطة: توقّف عن التثبيت، هذه البيئة كاملة جاهزة في صورة واحدة.

هذا المقال يشرح لك ما هذا الأداة، وكيف تعمل، وما يجب أن تحترس منه. المهم أن تعرف أن Unsloth local AI ليس موجّهًا للمتخصّصين وحدهم الآن، لكنه ما زال يحتاج إلى جهاز بشروط محدّدة.

ما هو Unsloth Docker بالضبط

Unsloth Docker هو حاوية رسمية من فريق Unsloth، تحمل كل حِزم التدريب والاستنتاج داخل صورة واحدة. الهدف أن تنزّل الصورة وتشغّلها، فتبدأ العمل فوراً دون إعداد بيئة.

من الناحية التقنية، الصورة الرسمية هي unsloth/unsloth لأجهزة NVIDIA، ولأجهزة AMD هناك صورة منفصلة unsloth/unsloth-rocm. تحديث سبتمبر 2026 أضاف دعم AMD وواجهة Unsloth Studio إلى نفس الحاوية.

الفرق بين Unsloth Docker والطريقة التقليدية يتلخّص في نقطة واحدة: كل ما كان يُثبَّت يدوياً واحداً واحداً، يأتي جاهزاً. الفائدة ليست التوفير في الوقت فقط، بل اختفاء فوضى التوافق بين النسخ التي تستهلك طاقة المبتدئ قبل أن يبدأ أول تدريب.

ما الذي تحتويه صورة Unsloth Docker

قيمة الصورة تأتي من محتواها. هذه هي المكوّنات التي تشحنها رسمياً:

• PyTorch 2.11 مع CUDA 12.8.
• Unsloth وunsloth-zoo.
• bitsandbytes وTRL وPEFT، مع xformers على منصّة linux/amd64.
• llama.cpp جاهز مسبقاً للاستنتاج.
• JupyterLab مع دفاتر Unsloth الجاهزة.
• واجهة Unsloth Studio للعمل عبر المتصفّح.

حجم الصورة نحو 9.2 جيجابايت، وهي متوفّر بنسختين: نسخة كاملة تضم Studio وJupyterLab والدفاتر، ونسخة أخفّ للتدريب مع JupyterLab فقط، موجّهة للسكربتات والعمل عبر خطوط الأوامر. اختر وفق حاجتك: النسخة الكاملة للمبتدئ، والأخفّ لمن يريد صورة أصغر.

كيف تشغّل Unsloth Docker خطوة بخطوة

التشغيل يعتمد على أمر واحد، لكن فهم كل جزء منه يوفّر عليك مشكلات لاحقة.

• ثبّت Docker Engine أو Docker Desktop إن لم يكن مثبّتاً.
• على أجهزة NVIDIA، ثبّت NVIDIA Container Toolkit. على ويندوز يكفي Docker Desktop مع تعريف NVIDIA حديث.
• شغّل الصورة مع تمرير المنافذ والوحدات المطلوبة.
• انتظر نحو دقيقة حتى يجهز الحاوية.
• افتح http://localhost:8000 لواجهة Studio، أو المنفذ 8888 لـ JupyterLab.
• سجّل الدخول باسم unsloth وكلمة المرور المولّدة من سجلّ الحاوية، وغيّرها عند الطلب.

الأمر يشمل ثلاثة ربط وحدات (volumes): مجلّد مشروعك، وذاكرة موديلات Hugging Face، وبيانات Studio. هذه الروابط مهمة لأنها تحفظ ملفاتك وموديلاتك حتى لو حذفت الحاوية.

متطلبات الجهاز لـ Unsloth Docker

هنا يجب أن تكون واضحاً مع نفسك قبل أن تبدأ. Unsloth Docker لا يعمل على أي جهاز.

من ناحية كرت الرسومات، الدعم الرسمي واسع: من Turing (مثل T4 وسلسلة RTX 20) حتى Blackwell (مثل B200 وGB200 وسلسلة RTX 50). وهذا يعني أن معظم أكراد NVIDIA الحديثة مدعومة.

من ناحية التعريف، تحتاج تعريف NVIDIA بالإصدار 570.26 أو أحدث. أما أحدث الأكراد (B300 وGB300 وGB10) فتطلب 580 أو أحدث. ولاحظ أن Turing لا يدعم bfloat16 في العتاد، لذا يستخدم Unsloth float16 بدلاً منه.

من ناحية المساحة، ضع في الحسبان أن الصورة وحدها 9.2 جيجابايت، ثم تأتي موديلات GGUF بحجم عدّة جيجابايت لكل واحد. أي أن الشرط الحقيقي لم يعد معرفة ضبط CUDA، بل امتلاك قرص وكرت رسومات كافيين.

ماذا تفعل بـ Unsloth Studio داخل الحاوية

Studio، أو Unsloth GUI بواجهته المتصفّحية، هو الإضافة الأبرز في تحديث سبتمبر. عند فتحه من المتصفّح، تجد واجهة تجمع المحادثة والتدريب وتوليد الصور في مكان واحد.

المحادثة: اختر موديلاً من القائمة الموصى بها أو ابحث في Hugging Face. لواجهات GGUF، تسمّي الواجهة الكمّية التي تناسب ذاكرتك وتحذّرك من النسخ التي ستنفد ذاكرتها. الموديلات المنزّلة تُحفظ في ذاكرة Hugging Face المشتركة مع الدفاتر، فلا تُنزَّل مرتين.

التدريب: اختر موديلاً وطريقة تدريب، ثم اختر مجموعة بيانات من Hugging Face أو ارفع واحدة خاصة بك. يمكنك تدريب الموديلات النصّية والمرئية والصوتية، مع دعم المضمّنات وتوليد الصور، كل ذلك من نفس الصورة. تراقب الخسارة واستهلاك الذاكرة مباشرة، وبعد الانتهاء تستخدم ميزة «المقارنة في المحادثة» لإرسال نفس الطلبات إلى الموديل الأساسي والموديل المعدّل جنباً إلى جنب.

المخبر: يوجد أيضاً سير عمل مدمج للتحويل من نص إلى صورة، ومنها موديل Z-Image-Turbo ضمن الموصى بها.

هذه الميزات معاً تحوّل ما كان «عدّل سكربتاً وادعُ الله» إلى تصفّح صفحات واضحة.

الأمان في Unsloth Docker

هذه نقطة يغفل عنها كثيرون، وهي مهمة إن كنت تفكّر في تشغيل الحاوية على خادم.

Studio وJupyterLab يخدمان عبر HTTP عادي، والتوثيق الرسمي يحذّر صراحة من تعريضهما للإنترنت. السبب أن JupyterLab عملياً صدفة أوامر كاملة، فأي شخص يعرف كلمة المرور يستطيع تنفيذ أوامر داخل الحاوية.

لذلك، إن أردت الوصول من خارج جهازك، استخدم نفقاً آمناً مثل SSH، أو فعّل الوضع الآمن UNSLOTH_STUDIO_SECURE=1 الذي يقدّم Studio عبر نفق Cloudflare بتشفير HTTPS. ميزة هذا الوضع أنه «يفشل مغلقاً»: لا نفق، فلا خدمة. وإن لم تغيّر كلمة المرور الأولى، تُغلق Studio نفسها بعد ساعة.

من ناحية التراخيص، Unsloth نفسه بترخيص Apache-2.0، بينما كود Studio المضمّن في الصورة بترخيص AGPL-3.0. هذه معلومة مهمة إن كنت تخطّط لبناء منتج فوق الصورة، لا مجرد استخدام شخصي.

مزايا وعيوب Unsloth Docker

قبل أن تبدأ، وازن الصورة كاملة.

المزايا:

• صفر إعداد: لا توافق نسخ، ولا أخطاء اعتماديات.
• نفس الصورة تخدم المحادثة والتدريب وتوليد الصور.
• دعم واسع للأكراد، من Turing حتى Blackwell، مع صورة منفصلة لـ AMD.
• واجهة Studio تجعل التدريب متاحاً لمن لا يعرف البرمجة.
• دفاتر JupyterLab جاهزة وتُحدَّث تلقائياً من GitHub عند كل تشغيل.

العيوب:

• تحتاج كرت رسومات NVIDIA أو AMD مدعوماً؛ لا تعمل على جهاز عادي.
• حجم الصورة كبير، ثم تُضاف إليه موديلات بحجم عدّة جيجابايت.
• الواجهات تعمل عبر HTTP بلا تشفير افتراضياً، فإن عرضتها للإنترنت تحتاج إعداداً إضافياً.
• كود Studio بترخيص AGPL-3.0، وهو قيد يجب مراعاته في المشاريع التجارية.

Unsloth local AI مقابل السحابة

السؤال الذي يطرحه كثيرون: لماذا أشغّل موديلاً على جهازي بدل استخدام واجهة سحابية؟

الجواب يتلخّص في ثلاث نقاط. الخصوصية: الموديل لا يترك جهازك، وهو ما يهمّ من يعمل ببيانات حسّاسة. التكلفة: بعد شراء العتاد، الاستخدام المتكرّر لا يستهلك رصيداً لكل طلب. التحكّم: تختار الموديل والكمّية بحرية، وتعدّله كما تشاء.

في المقابل، السحابة توفّر العتاد وتبدأ فوراً. من يملك كرت رسومات قوياً يستفيد من Unsloth local AI كثيراً، ومن لا يملكه قد يجد السحابة أسهل. المسألة ليست أيهما أفضل مطلقاً، بل أيّهما يناسب جهازك وطبيعة عملك.

نصائح قبل البدء

• تأكّد من تعريف NVIDIA بالإصدار الصحيح قبل التشغيل، فأغلب الأعطال تبدأ هنا.
• اربط مجلّد المشروع وذاكرة Hugging Face حتى لا تفقد عملك عند حذف الحاوية.
• غيّر كلمة المرور الافتراضية فوراً عند أول تشغيل.
• استخدم الوضع الآمن إن كنت ستصل من خادم بعيد، ولا تعرّض المنافذ مباشرة.
• للدفاتر: استخدم النسخة التي تحتوي Studio إن كنت مبتدئاً، والنسخة الأخفّ إن كنت تعمل بسكربتات.

حل المشكلات الشائعة

هذه أكثر المشكلات التي يواجهها المستخدمون الجدد:

الحاوية لا تبدأ: تحقّق من تعريف NVIDIA أو من NVIDIA Container Toolkit، ثم أعد التشغيل.

ذاكرة كرت الرسومات تنفد: Studio وJupyterLab يتشاركان نفس الكرت. أفرغ الموديل من Studio أو أوقف نواة الدفتر قبل تشغيل مهمة أخرى.

لا أرى الروابط وكلمة المرور: افتح سجلّ الحاوية وابحث عن العبارة التي تعلن جهوز الحاوية؛ هناك تجد الروابط وكلمة المرور.

نسيت كلمة المرور: استخدم أمر إعادة التعيين داخل الحاوية، فهو يولّد كلمة جديدة ويلغي الجلسات ومفاتيح الواجهة البرمجية.

هل يستحق Unsloth Docker التجربة؟

Unsloth Docker يستحق التجربة إن كان لديك كرت رسومات مدعوم وتريد دخول عالم الذكاء الاصطناعي المحلي دون اجتياز جحيم الاعتماديات. الصورة تحوّل أصعب عقبة في هذا المجال، وهي الإعداد، إلى أمر واحد. ووجود Studio يعني أن التدريب لم يعد حصراً على من يكتب سكربتات.

لكن كن واقعياً: هذا ليس حلّاً سحرياً. تحتاج عتاداً مناسباً، ومساحة قرص كبيرة، وانتباهاً لمسألة الأمان إن كنت تعمل عن بُعد. الشرط الحقيقي انتقل من «تعرف ضبط CUDA» إلى «تملك قرصاً وكرت رسومات كافيين».

إن كنت تعمل محلياً وتحبّ التحكّم الكامل ببياناتك، فابدأ بالصورة الرسمية، شغّل موديلاً صغيراً للتجربة، ثم توسّع تدريجياً. راجع التوثيق الرسمي للحصول على الأوامر المحدّثة لجهازك، فالنسخ تتطوّر بسرعة. الفارق بين من يصول لأول تجربة ناجحة ومن يبتعد هو خطوة واحدة: أن تنزّل الصورة وتشغّلها بأمر واحد.