مدل زبانی بزرگ (LLM) چیست؟ راهنمای کاربردی برای فارسی
LLM موتور بسیاری از دستیارهای هوش مصنوعی است. با مثال‌های ساده، سازوکار آن، تفاوت مدل‌های باز و بسته و روش انتخاب مدل مناسب برای متن و کارهای فارسی را بشناسید.
مدل زبانی بزرگ یا LLM نوعی هوش مصنوعی است که با آموزش روی حجم زیادی از دادهها، الگوهای زبان را یاد می‌گیرد و میتواند متن تولید کند، ترجمه کند، خلاصه بنویسد یا به پرسش‌ها پاسخ دهد. این مدل‌ها پاسخ را مرحله‌به‌مرحله از واحدهایی به نام «توکن» می‌سازند؛ روان بودن پاسخ، به‌تنهایی درستی اطلاعات آن را ثابت نمی‌کند.
اگر از یک دستیار خواسته‌اید نامه اداری بنویسد یا درس دشواری را توضیح دهد، احتمالاً با خروجی چنین مدلی روبه‌رو شده‌اید. شناخت چند مفهوم ساده کمک میکند درخواست دقیق‌تری بنویسید، هزینه و زمان کمتری صرف کنید و خطاهای پاسخ را زودتر ببینید.
مدل زبانی بزرگ چه تفاوتی با چت‌بات دارد؟
LLM مخفف Large Language Model است. «بزرگ» به مقیاس مدل و آموزش آن اشاره دارد؛ پارامترها همان مقادیر عددی درون شبکه هستند که هنگام آموزش تنظیم می‌شوند. تعداد بیشتر پارامترها، به‌تنهایی، تضمین نمی‌کند که مدل در کار فارسی شما بهتر باشد.
مدل را می‌توان موتور تولید و پردازش زبان دانست؛ چت‌بات محصولی است که آن موتور را در یک محیط گفت‌وگو قرار میدهد. تاریخچه، جست‌وجوی وب، بارگذاری فایل و حافظه میتوانند امکانات محصول باشند و نباید همه را ویژگی ذاتی موتور فرض کرد. ChatGPT یا چت‌جی‌پی‌تی هم نام یک محصول است و واژه عمومی برای همه مدل‌ها نیست.
هوش مصنوعی حوزه‌ای گسترده‌تر است و سامانه‌های تشخیص تصویر یا پیشنهاد محصول را هم در بر می‌گیرد. برای آشنایی با این تصویر کلی، مقاله هوش مصنوعی چیست؟ نقطه شروع مناسبی است. بعضی مدل‌های امروزی چندوجهی‌اند؛ یعنی علاوه بر متن، ورودی‌های دیگری مانند تصویر را هم پردازش می‌کنند، اما باید قابلیت نسخه دقیق را بررسی کرد.
توکن چیست و چرا برای فارسی مهم است؟
توکن واحدی است که مدل با آن ورودی و خروجی را پردازش میکند. ممکن است یک کلمه، بخشی از کلمه یا یک علامت نگارشی باشد. بنابراین «هزار توکن» الزاماً به معنی «هزار کلمه» نیست. گوگل هم در راهنمای رسمی توکن‌ها پردازش ورودی و خروجی مدل را بر اساس این واحد توضیح میدهد.
برای عبارت «می‌خواهم یک نامه رسمی بنویسم» نمی‌توان بدون دانستن توکنساز مدل، تعداد قطعی اعلام کرد. نیم‌فاصله، شکل حروف، واژه‌های انگلیسی داخل متن و شیوه توکن‌سازی میتوانند نتیجه را تغییر دهند. قاعده‌های تقریبی مبتنی بر متن انگلیسی را نباید مستقیماً به فارسی تعمیم داد.
این موضوع دو اثر عملی دارد: متن طولانی‌تر فضای بیشتری از زمینه می‌گیرد و در سرویس‌های مبتنی بر مصرف، میتواند هزینه بیشتری داشته باشد. تعداد توکن‌ها تنها عامل هزینه نیست؛ تعرفه مدل، اندازه پاسخ و پردازش‌های اضافی هم اهمیت دارند. برای برآورد، همان متن واقعی فارسی را در ابزار شمارش مدل یا گزارش مصرف سرویس بررسی کنید.
آموزش LLM چگونه انجام میشود؟
برای فهم آموزش، سه مرحله را از هم جدا کنید. جزئیات هر خانواده متفاوت است، اما این تقسیم‌بندی تصویر مفیدی میدهد.
پیش‌آموزش؛ یادگیری الگوهای زبان
در پیش‌آموزش، مدل با مجموعه بزرگی از دادهها روبه‌رو میشود و وزن‌هایش برای یادگیری الگوها تنظیم می‌شوند. در بسیاری از مدل‌های مولد، یکی از هدف‌های اصلی پیش‌بینی توکن بعدی است. از همین تمرین، الگوهای دستور زبان، سبک نوشتن و ارتباط میان مفاهیم آموخته میشود.
مثلاً پس از «پایتخت ایران»، مدل میتواند احتمال بالایی به ادامه مرتبط با «تهران» بدهد. البته عملکرد آن به حفظ چند عبارت محدود نیست و میتواند الگوها را در موقعیت‌های تازه ترکیب کند. این توانایی معادل یک پایگاه داده دقیق با منبع مشخص برای هر جمله نیست.
پس‌آموزش؛ تبدیل مدل پایه به دستیار
مدل پایه لزوماً دستیار خوش‌رفتاری نیست. با نمونه‌های دستور و پاسخ، بازخورد و روش‌های دیگر، رفتار آن برای پیروی از درخواست‌ها و تولید پاسخ مفیدتر تنظیم میشود. بعضی فرایندها نیز روی حل مسئله، استفاده از ابزار یا بیان عدم قطعیت تمرکز دارند.
وقتی در چت می‌گویید «این متن را رسمی‌تر کن»، معمولاً وزنهای مدل در همان لحظه دوباره آموزش نمی‌بینند. متن شما بخشی از ورودی فعلی میشود. استفاده احتمالی سرویس از گفت‌وگوها برای آموزش آینده، موضوع دیگری است و به سیاست همان سرویس بستگی دارد.
زمان استفاده؛ ساختن پاسخ
پس از دریافت درخواست، مدل بر اساس ورودی در دسترس، توکن‌های پاسخ را تولید میکند. تنظیمات تولید ممکن است باعث شوند دو اجرای یک درخواست، خروجی یکسانی نداشته باشند. به همین دلیل برای کار تکرارشونده، قالب خروجی و معیار پذیرش را روشن بنویسید و فقط با یک پاسخ درباره کیفیت مدل قضاوت نکنید.
پنجره زمینه چیست؟ فرق آن با حافظه
پنجره زمینه یا Context Window ظرفیت اطلاعاتی است که مدل در یک نوبت پردازش میتواند در نظر بگیرد. دستورها، پیام‌های قبلی که دوباره ارسال می‌شوند، محتوای فایل‌ها و خروجی ابزارها ممکن است بخشی از این ظرفیت را مصرف کنند. برای پاسخ هم باید فضای کافی باقی بماند؛ نحوه محاسبه دقیق به مدل و سرویس بستگی دارد.
فرض کنید یک جزوه طولانی می‌فرستید و می‌پرسید «تناقض فصل اول و آخر چیست؟». جا شدن فایل در ظرفیت اعلام‌شده، تضمین نمی‌کند مدل همه جزئیات را با دقت یکسان پیدا کند. Anthropic در راهنمای مهندسی زمینه بر انتخاب اطلاعات مرتبط و محدودیت توجه در زمینه‌های طولانی تأکید میکند.
حافظه محصول معمولاً سازوکاری جداگانه برای نگهداری و بازیابی اطلاعات است. وجود تاریخچه در صفحه هم به معنی فرستادن تمام آن به مدل در هر پاسخ نیست. برای پروژه طولانی، یک خلاصه به‌روز از هدف، تصمیم‌ها و محدودیت‌ها بسازید و بخش مرتبط سند را همراه سؤال بدهید.
هدف: مقایسه دو بخش از جزوه‌ای که در ادامه می‌آورم.
فقط بر اساس همین متن پاسخ بده.
برای هر تفاوت، نام بخش و عبارت پشتیبان را ذکر کن.
اگر متن برای نتیجه‌گیری کافی نیست، دقیقاً بگو چه اطلاعاتی کم است.
خروجی: جدول ادعا، شاهد و نکته نیازمند بررسی.توهم مدل؛ چرا پاسخ مطمئن میتواند غلط باشد؟
توهم یا Hallucination یعنی خروجی ظاهراً معقول، اما نادرست یا بدون پشتوانه؛ مثلاً مقاله‌ای با عنوان و نویسنده ساختگی، نقل‌قولی که در سند نیست یا توضیح غلط درباره یک عدد. مدل زبانی بزرگ برای ساختن پاسخ آموزش دیده است و همیشه نمی‌تواند مرز دانسته و نادانسته را درست تشخیص دهد.
مثال ملموس: از دستیار می‌خواهید سه پژوهش درباره موضوع پایان‌نامه پیدا کند. ممکن است عنوان‌ها بسیار دانشگاهی به نظر برسند، اما بعضی اصلاً وجود نداشته باشند. باز کردن لینک، تطبیق نویسنده و سال و خواندن بخش مرتبط، از ظاهر حرفه‌ای فهرست معتبرتر است.
برای کاهش خطا، این روال را دنبال کنید:
- متن یا منبع اصلی را بدهید و محدوده پاسخ را مشخص کنید.
- بخواهید ادعاهای قطعی را از فرض‌ها جدا کند.
- برای اطلاعات تازه، از جست‌وجوی وب همراه با بررسی منابع استفاده کنید.
- عددها، ارجاع‌ها و نتیجه‌های مهم را مستقل کنترل کنید.
جستوجو و اتصال به اسناد میتوانند پاسخ را مستندتر کنند، ولی خطای برداشت همچنان ممکن است. حتی درخواست «اگر نمی‌دانی بگو» تضمین حذف توهم نیست. در کار دانشگاهی، پاسخ را پیش‌نویس بررسی بدانید و برای تصمیم تخصصی، به منبع و فرد متخصص رجوع کنید.
مدل‌های استدلالی چه فرقی دارند؟
مدل‌های استدلالی برای مسئله‌هایی طراحی یا آموزش داده می‌شوند که به بررسی چند مرحله، مقایسه گزینه‌ها یا کنترل محدودیت‌ها نیاز دارند. ممکن است پیش از پاسخ نهایی، پردازش بیشتری انجام دهند؛ در نتیجه زمان انتظار و مصرف هم میتواند بیشتر شود. همه کارها از این پردازش اضافه سود یکسان نمی‌برند.
برای بازنویسی یک پیام کوتاه، یک مدل سریع ممکن است کافی باشد. برای طراحی برنامه مطالعاتی با چند محدودیت یا بررسی یک مسئله منطقی، حالت استدلالی ارزش آزمودن دارد. طولانی بودن توضیح، نشانه قطعی استدلال بهتر نیست؛ خروجی باید با شروط مسئله سازگار باشد.
در مثال رسمی Qwen3-8B، حالت‌های thinking و non-thinking در کارت مدل Qwen معرفی شده‌اند. همین کارت مجوز Apache 2.0 را هم مشخص میکند؛ این‌ها ویژگی‌های همان نسخه‌اند، نه حکمی درباره همه نسخه‌های Qwen. وضعیت این منبع در اکتبر ۲۰۲۶ بررسی شده است.
یک تمرین ساده: سه کار با مدت‌های دو، سه و چهار ساعت تعریف کنید و فقط شش ساعت زمان بدهید. از مدل بخواهید با رعایت اولویت‌ها برنامه بدهد و جمع ساعت‌ها را نشان دهد. سپس خودتان بررسی کنید آیا کار ضروری حذف شده یا محدودیت زمانی شکسته است. پاسخ قابل کنترل، از توضیح طولانی مفیدتر است.
مدل باز و بسته؛ کدام برای شما مناسب‌تر است؟
در گفتوگوی روزمره، «باز» اغلب به مدلی گفته میشود که وزن‌هایش برای دریافت و اجرا منتشر شده‌اند. اما «وزن‌باز» الزاماً به معنی انتشار کامل داده آموزشی، کد و تمام اجزای آموزش نیست. مجوز هم تعیین میکند استفاده تجاری، تغییر یا بازتوزیع تحت چه شرایطی مجاز است.
در مدل بسته، معمولاً از طریق برنامه یا API به سرویس دسترسی دارید و وزن‌ها در اختیار شما قرار نمی‌گیرند. باز یا بسته بودن را با رایگان یا پولی بودن یکی ندانید. همچنین مدلی با وزنهای منتشرشده میتواند در یک سرویس ابری اجرا شود؛ آن استفاده، اجرای محلی محسوب نمی‌شود.
| معیار | مدل با وزنهای منتشرشده | مدل بسته از طریق سرویس |
|---|---|---|
| راه‌اندازی | اجرای شخصی نیازمند سخت‌افزار و نگهداری است | معمولاً با حساب کاربری یا API شروع میشود |
| کنترل اجرا | با میزبانی خودتان، کنترل بیشتری دارید | به امکانات و سیاست ارائه‌دهنده وابسته است |
| هزینه | سخت‌افزار، انرژی و مدیریت هم هزینه دارند | اشتراک یا مصرف طبق تعرفه سرویس محاسبه میشود |
| حریم خصوصی | به محل اجرا و پیکربندی بستگی دارد | باید سیاست داده و نگهداری را بررسی کنید |
| کیفیت فارسی | باید روی کار واقعی آزموده شود | باید روی کار واقعی آزموده شود |
برای کاربر معمولی، سهولت استفاده ممکن است اولویت اصلی باشد. برای تیمی با داده حساس، محل پردازش و کنترل دسترسی اهمیت بیشتری دارد. پیش از فرستادن فایل کاری، راهنمای حریم خصوصی و امنیت داده را بخوانید و اطلاعات غیرضروری را حذف کنید.
چطور برای کار فارسی مدل انتخاب کنیم؟
بهترین مدل زبانی بزرگ برای همه کاربران یکسان نیست. مدل مناسب شما باید در کار واقعی، فارسی روان تولید کند، محدودیت‌ها را رعایت کند و با زمان و بودجه‌تان سازگار باشد. رتبه عمومی یک مدل، جای آزمون فارسی را نمی‌گیرد.
یک آزمون کوچک و قابل تکرار بسازید
از فهرست مدل‌ها دو یا سه گزینه انتخاب کنید و پنج نمونه ثابت آماده کنید: ویرایش فارسی، خلاصه‌سازی، ترجمه، پاسخ مستند و حل مسئله. برای مقایسه منصفانه، در گفت‌وگوهای تازه همان ورودی را بدهید و دسترسی به ابزارها را تا حد امکان یکسان نگه دارید. متن آزمون را از داده غیرمحرمانه انتخاب کنید.
متن: «ما میخواهیم سفارش شما رو تا شنبه ارسال کنیم.
اگر آدرس تغییر کرده لطفا اطلاع بدین.»
آن را به فارسی معیار، با لحن محترمانه و طبیعی بازنویسی کن.
زمان ارسال و شرط مربوط به آدرس را تغییر نده.
نیم‌فاصله و نشانه‌گذاری را اصلاح کن.
فقط متن نهایی را بنویس و هیچ وعده تازه‌ای اضافه نکن.برای هر خروجی، از یک تا پنج به دقت معنا، طبیعی بودن فارسی، رعایت دستور و درستی املا امتیاز بدهید. زمان پاسخ و میزان مصرف را جدا ثبت کنید. در مثال بالا، تبدیل «تا شنبه» به «روز شنبه» یا اضافه کردن «ارسال رایگان»، خطای معنایی است؛ حتی اگر متن زیباتر شده باشد.
انتخاب را به نوع کار وصل کنید
برای کپشن و بازنویسی، لحن و سرعت مهم‌اند؛ برای خلاصه جزوه، حفظ نکته‌های اصلی و اشاره به بخش منبع؛ برای ترجمه، وفاداری به معنا و ثبات اصطلاح‌ها. برای سؤال‌های دارای چند شرط، مدل باید تمام محدودیت‌ها را رعایت کند. نمونه ضعیف را یک بار دیگر اجرا کنید تا نوسان خروجی را هم ببینید.
اگر کار اصلی‌تان اصلاح نگارش است، می‌توانید از ابزار ویراستار فارسی شروع کنید. کیفیت درخواست هم در نتیجه اثر دارد؛ راهنمای اصول پرامپت‌نویسی کمک میکند هدف، مخاطب و قالب پاسخ را روشن‌تر مشخص کنید.
مقایسه را در یک محیط انجام دهید
وان ای آی (1ai) یک فضای کاری فارسی برای گفت‌وگو با مدل‌های مختلف فراهم میکند؛ بدون نیاز به حساب خارجی، کارت خارجی یا VPN. پرداخت تومانی و اعتبار یکپارچه، انجام آزمون‌های مشابه روی چند گزینه را ساده‌تر میکند. نتیجه را با نمونه‌های خودتان بسنجید و پس از تغییر نسخه مدل، آزمون مهم را دوباره انجام دهید.
سوالات متداول
آیا LLM همان موتور جستوجو است؟
خیر؛ موتور جستوجو منابع را پیدا میکند و مدل زبان پاسخ تولید میکند. یک دستیار میتواند این دو را ترکیب کند، اما باید ببینید جستوجو واقعاً انجام شده و منابع چه چیزی گفتهاند.
آیا هر پیام من مدل را آموزش میدهد؟
در گفتوگوی معمولی، پیام شما ورودی همان تعامل است و به معنی تغییر فوری وزنهای مدل نیست. استفاده احتمالی از دادهها در آموزش آینده به سیاست سرویس و تنظیمات آن بستگی دارد.
آیا توکن با کلمه برابر است؟
خیر؛ یک کلمه ممکن است به چند توکن تبدیل شود و علامتها هم میتوانند توکن باشند. تعداد دقیق متن فارسی را باید با توکنساز همان مدل یا گزارش سرویس سنجید.
آیا مدل استدلالی همیشه بهتر جواب میدهد؟
خیر؛ مزیت آن را بیشتر در مسئلههای چندمرحلهای باید آزمود. برای کار ساده، مدل سریعتر ممکن است پاسخ کافی بدهد و مدل استدلالی هم میتواند اشتباه کند.
آیا مدل باز روی هر لپتاپی اجرا میشود؟
خیر؛ امکان اجرا به اندازه مدل، حافظه، فشردهسازی و نرمافزار وابسته است. حتی اگر اجرا شود، سرعت و کیفیت را باید برای همان دستگاه و کار بررسی کنید.
برای شروع، یک متن کوتاه و غیرمحرمانه انتخاب کنید و پاسخ دو مدل را با معیارهای بالا بسنجید. با شروع رایگان در 1ai، هر حساب روزانه مقداری اعتبار رایگان برای مدل‌های مشمول استفاده رایگان دارد؛ همین آزمون کوچک میتواند انتخاب بعدی شما را روشن‌تر کند.
