مدل زبانی بزرگ (Large Language Model یا LLM) مدلی مبتنی بر یادگیری ماشین است که روی حجم زیادی از متن و در برخی موارد داده‌های چندوجهی آموزش می‌بیند. بسیاری از مدل‌های امروزی با معماری ترنسفورمر (Transformer) کار می‌کنند. وظیفه پایه مدل‌های خودبازگشتی معمولا پیش‌بینی توکن بعدی بر اساس متن قبلی است.
LLM چگونه ساخته و استفاده می‌شود؟
فرایند ساخت اغلب شامل پیش‌آموزش، تنظیم دستوری و در برخی سامانه‌ها هم‌راستاسازی با ترجیحات انسانی است. هنگام استفاده یا Inference، مدل بدون تغییر وزن‌های اصلی پاسخ تولید می‌کند، مگر اینکه فرایند یادگیری جداگانه‌ای اجرا شود.
انواع مدل‌های زبانی بزرگ
| نوع | ویژگی | نمونه یا کاربرد |
|---|---|---|
| مدل پایه (Base) | ادامه متن یا توکن بعدی را پیش‌بینی می‌کند | پایه برای تنظیم‌های تخصصی |
| مدل دستوری (Instruct) | برای اجرای دستورها بهینه شده است | چت و تولید خروجی ساختاریافته |
| مدل استدلالی (Reasoning) | برای مسائل چندمرحله‌ای بهینه شده است | کدنویسی و تحلیل پیچیده |
| مدل کدنویسی | روی وظایف تولید و درک کد تمرکز دارد | تکمیل و بازبینی سورس کد |
| مدل چندوجهی | متن را با تصویر یا صوت ترکیب می‌کند | تحلیل تصویر و پاسخ متنی |
چند خانواده شناخته‌شده
GPT از OpenAI، Claude از Anthropic، Gemini از Google، Llama از Meta و Qwen از Alibaba از خانواده‌های شناخته‌شده‌اند. شیوه ارائه، مجوز، هزینه، نوع ورودی و امکانات آن‌ها متفاوت است و باید در زمان انتخاب نسخه بررسی شود.
تفاوت LLM با جست‌وجو و RAG
مدل زبانی به‌تنهایی مرجع معتبر لحظه‌ای برای همه داده‌ها نیست. اگر پاسخ باید بر اساس مستندات واقعی فروشگاه باشد، معماری تولید تقویت‌شده با بازیابی اسناد مربوط را بازیابی می‌کند و در اختیار مدل می‌گذارد. این کار توهم را کاهش می‌دهد اما تضمین حذف خطا نیست.
messages = [{"role": "system", "content": "Answer using the provided documents."},
{"role": "user", "content": "What is our refund policy?"}]
# Send messages to your chosen LLM provider SDK.برای استفاده عملی
به غیر از کیفیت متن، محدودیت کانتکست، تعداد توکن، Latency، نرخ خطا، هزینه و سیاست حریم خصوصی را نیز ارزیابی کنید.
اصطلاحات مرتبط: توکن‌سازی، پنجره زمینه، فاین تیونینگ و ال‌ال‌ام به‌عنوان داور.