LLM چیست؟ مدل‌های زبانی بزرگ به زبان ساده
LLM یا مدل زبانی بزرگ (large language model) نوعی هوش مصنوعی است که با حجم عظیمی از متن آموزش دیده تا زبان را بفهمد و تولید کند. به یک متن داده‌شده، گام به گام، یک قطعه کوچک را پیش‌بینی می‌کند که باید بعدش بیاید؛ و همین توانایی ساده برای پاسخ دادن به سؤال، نوشتن، خلاصه‌سازی، ترجمه و نوشتن کد کافی است. مدل‌های پشت ChatGPT، Claude و Gemini همگی LLM هستند.
چرا هنگام ساخت با هوش مصنوعی مهم است
اگر با یک سازنده اپ هوش مصنوعی کار می‌کنید، دو بار با LLM سروکار دارید. اول، یک LLM دارد می‌سازد: درخواست شما را می‌خواند، تغییرات را برنامه‌ریزی می‌کند و کد را می‌نویسد. دوم، ممکن است بخواهید یک LLM داخل اپ خودتان داشته باشید — یک چت‌بات، دکمه خلاصه، یا دستیار نوشتن.
دانستن مبانی در هر دو حالت کمک می‌کند. توضیح می‌دهد چرا هوش مصنوعی گاهی درخواست مبهم را اشتباه می‌فهمد، چرا می‌تواند با اطمینان چیزی نادرست بسازد، چرا گفتگوهای خیلی طولانی باعث می‌شوند جزئیات قبلی را گم کند، و چرا افزودن قابلیت هوش مصنوعی به اپ هر بار استفاده هزینه دارد. برای این کار لازم نیست ریاضی بدانید — فقط یک مدل ذهنی درست لازم است.
یک تشبیه روزمره
تصور کنید کسی کتابخانه‌ای بسیار بزرگ را خوانده — کتاب، وب‌سایت، راهنما، کد، انجمن — و در ادامه دادن هر متنی به‌شکلی که جور باشد فوق‌العاده شده است. شروع یک ایمیل را به او بدهید، با لحن شما تمامش می‌کند. یک سؤال بپرسید، پاسخی می‌نویسد که معمولاً بعد از چنین سؤالی می‌آید.
اما یادداشتی برای بررسی ندارد، و کتابخانه در تاریخ مشخصی بسته شده. او الگوها را به یاد می‌آورد، نه اینکه چیزی را جست‌وجو کند. بیشتر وقت‌ها الگوها درست‌اند. گاهی یک شکاف را با چیزی پر می‌کند که فقط درست به نظر می‌رسد، با همان اطمینان.
این یک LLM است: نویسنده‌ای بسیار باسواد و روان با حافظه‌ای ناکامل و بدون بازبین واقعیت‌ها.
یک LLM در عمل چطور کار می‌کند
۱. آموزش. مدل حجم عظیمی از متن را می‌بیند و با تنظیم میلیاردها عدد داخلی‌اش (پارامترها) یاد می‌گیرد متن بعدی را پیش‌بینی کند. طراحی‌ای که بیشتر LLMها استفاده می‌کنند ترنسفورمر نام دارد که در ۲۰۱۷ توسط پژوهشگران گوگل معرفی شد. ۲. تنظیم دقیق. مدل خام سپس اصلاح می‌شود تا دستورها را دنبال کند، گفتگو را نگه دارد و از خروجی مضر پرهیز کند؛ اغلب با استفاده از بازخورد انسانی. ۳. استفاده از آن (استنتاج). وقتی پرامپتی می‌فرستید، مدل آن را می‌خواند و پاسخ را یک توکن در هر بار تولید می‌کند و هر بار محتمل‌ترین توکن بعدی را با توجه به همه چیزهایی که پیش‌تر آمده انتخاب می‌کند.
در داخل آن پایگاه داده‌ای از واقعیت‌ها نیست و از گفتگوی شما هم یاد نمی‌گیرد. هر چیزی که در یک گفتگو «می‌داند» یا از آموزش آمده، یا از چیزی است که هم‌اکنون جلویش است — پنجره متنش.
یک مثال کامل: پاسخ پشتیبانی
فرض کنید یک فروشگاه گیاه آنلاین دارید و این را در یک LLM می‌چسبانید:
یک مشتری می‌نویسد: «سفارش #4412 من با یک گلدان شکسته رسید. چه کاری می‌توانید بکنید؟» سیاست ما: اقلام آسیب‌دیده را در ۱۴ روز با عکس، رایگان تعویض می‌کنیم. یک پاسخ دوستانه بنویس.
این اتفاق می‌افتد:
- متن به توکن‌ها تقسیم می‌شود، شاید حدود صد توکن.
- مدل کل آن را می‌خواند: پیام مشتری، سیاست شما و دستورتان.
- پاسخ را توکن به توکن تولید می‌کند: «سلام! خیلی متأسفم که گلدانتان شکسته رسیده…» و عکس می‌خواهد و تعویض رایگان را ذکر می‌کند.
حالا همین درخواست را بدون سیاست امتحان کنید. مدل باز هم پاسخی دوستانه و مطمئن می‌نویسد — اما ممکن است بازپرداخت وعده دهد، یا مهلت ۳۰ روزه بگذارد، چون اینها در ایمیل‌های پشتیبانی که دیده الگوهای رایجی هستند. این یک توهم است، و درس عملی اصلی را نشان می‌دهد: LLMها فقط به اندازه اطلاعاتی که به آنها می‌دهید دقیق‌اند. اپ‌هایی که به پاسخ‌های قابل‌اعتماد نیاز دارند، هر بار منابع درست را به مدل می‌دهند؛ تکنیکی به نام RAG.
اصطلاحات کلیدی
| اصطلاح | معنی |
|---|---|
| Token (توکن) | تکه‌ای از متن — اغلب یک کلمه یا بخشی از آن. محدودیت‌ها و قیمت‌ها بر حسب توکن شمرده می‌شوند. |
| Context window (پنجره متن) | مقدار متنی که مدل می‌تواند هم‌زمان در نظر بگیرد: پرامپت شما، گفتگو و هر سندی. |
| Prompt (پرامپت) | ورودی‌ای که به مدل می‌دهید. ببینید مهندسی پرامپت چیست. |
| Parameters (پارامترها) | عددهای داخلی که در آموزش یاد گرفته می‌شوند. بیشتر بودنشان خودبه‌خود بهتر بودن نیست. |
| Training data (داده آموزشی) | متنی که مدل از آن یاد گرفته است. |
| Knowledge cutoff (تاریخ قطع دانش) | تاریخی که پس از آن مدل داده آموزشی ندارد، پس رویدادهای اخیر را نمی‌داند مگر اینکه به آن گفته شود. |
| Hallucination (توهم) | خروجی روان و مطمئنی که نادرست است. |
| Temperature (دما) | تنظیمی برای اینکه خروجی چقدر متنوع یا قابل پیش‌بینی باشد. |
| Inference (استنتاج) | اجرای مدل برای گرفتن پاسخ. این همان چیزی است که برای هر استفاده پول می‌دهید. |
| Multimodal (چندوجهی) | مدل‌هایی که علاوه بر متن، تصویر، صدا یا ورودی‌های دیگر را هم پردازش می‌کنند. |
| API | راهی که اپ‌ها از طریق آن پرامپت‌ها را به یک LLM برنامه‌ریزی‌شده می‌فرستند. ببینید نحوه استفاده از APIهای LLM. |
اشتباهات رایج و باورهای غلط
- «اطلاعات را جست‌وجو می‌کند.» یک LLM ساده این کار را نمی‌کند. بعضی اپ‌ها جست‌وجوی وب یا بازیابی سند اضافه می‌کنند، اما خود مدل دارد از الگوها تولید می‌کند.
- «اگر مطمئن به نظر برسد، درست است.» اطمینان و دقت ربطی به هم ندارند. نام‌ها، اعداد، تاریخ‌ها، قیمت‌ها و هر چیز حقوقی یا پزشکی را بررسی کنید.
- «هرچه گفته‌ام را به خاطر می‌سپارد.» فقط آنچه در پنجره متن جا می‌شود. در گفتگوهای خیلی طولانی، جزئیات اولیه ممکن است بیرون بیفتد یا کمتر توجه بگیرد. آنچه مهم است را دوباره بگویید.
- «مثل یک آدم فکر می‌کند.» می‌تواند مسئله‌ها را به‌طور چشمگیری حل کند، اما هدف، باور یا آگاهی از پیامدها ندارد. خروجی‌اش را پیش‌نویسی بدانید که باید بازبینی شود.
- «بزرگ‌تر یا جدیدتر همیشه بهتر است.» برای یک کار ساده و پرحجم، مدل کوچک‌تر، ارزان‌تر و سریع‌تر اغلب انتخاب درست است.
- فرستادن داده خصوصی بدون بررسی. پیش از اینکه داده مشتری را در هر سرویس هوش مصنوعی وارد کنید یا در اپ بسازید، شرایط استفاده از داده و نگهداری ارائه‌دهنده را بررسی کنید.
چه چیزی از سازنده‌تان بخواهید
وقتی LLM دارد اپ شما را می‌سازد:
- «پیش از تغییر هر چیزی، بگو چه فهمیدی و چه خواهی کرد.»
- «این هم متن دقیق سیاست؛ آن را کلمه‌به‌کلمه استفاده کن، و جزئیات را از خودت نساز.»
- «از حدس زدن درباره حقایقی مثل قیمت یا تاریخ پرهیز کن. جای‌نگهدار بگذار و آنها را برایم فهرست کن.»
وقتی می‌خواهید یک LLM داخل اپ داشته باشید:
- «یک دکمه [خلاصه] اضافه کن که از سرور به API [ارائه‌دهنده] وصل شود. کلید API را در یک راز نگه دار، نه هرگز در مرورگر.»
- «سیاست‌های ما را در پرامپت بگذار تا پاسخ‌ها به آنها بچسبند، و وقتی مطمئن نیستی بگو "نمی‌دانم".»
- «طول پاسخ‌ها را محدود کن، و تعداد درخواست هر کاربر در روز را سقف بگذار.»
- «هزینه هر درخواست را ثبت کن تا مصرف را ببینم.»
برای راهنمای گام‌به‌گام، نحوه افزودن قابلیت هوش مصنوعی به اپ را ببینید.
LLMها در Mythex
ایجنت ساختن Mythex روی یک LLM اجرا می‌شود. همه یک ایجنت Standard مشترک دارند — انتخابگر مدل وجود ندارد — و ساختن از اعتبار Mythex مصرف می‌کند. قابلیت‌های هوش مصنوعی داخل اپی که می‌سازید جداست: کلید API خودتان را از یک ارائه‌دهنده مثل OpenAI یا Anthropic می‌آورید، آن را به‌عنوان راز پروژه ذخیره می‌کنید، و ارائه‌دهنده مستقیماً برای آن مصرف پول می‌گیرد. دستور آماده مستندات با عنوان «افزودن هوش مصنوعی به اپ» پرامپتی را که باید استفاده کنید نشان می‌دهد.
پرسش‌ها
LLM مخفف چیست؟
LLM مخفف large language model یا مدل زبانی بزرگ است: یک مدل هوش مصنوعی که با حجم بسیار زیادی متن آموزش دیده تا زبان را بفهمد و تولید کند. مدل‌های پشت ChatGPT، Claude و Gemini همگی LLM هستند.
آیا ChatGPT یک LLM است؟
ChatGPT یک اپ گفتگو است که روی LLMهای OpenAI ساخته شده. LLM مدل زیربنایی است که متن تولید می‌کند؛ اپ رابط گفتگو، قابلیت حافظه، ابزارها و لایه‌های ایمنی را به دور آن اضافه می‌کند.
چرا LLMها چیزهایی را از خودشان می‌سازند؟
یک LLM محتمل‌ترین کلمات بعدی را بر اساس الگوهایی که یاد گرفته تولید می‌کند، نه با جست‌وجو در یک پایگاه داده‌ی واقعیت‌ها. وقتی اطلاعات درست را ندارد، ممکن است متنی روان و کاملاً مطمئن اما نادرست تولید کند که به آن توهم (hallucination) می‌گویند. دادن منبع به آن و بررسی پاسخ‌هایش این خطر را کم می‌کند.
آیا LLMها از گفتگوهای من یاد می‌گیرند؟
مدل در حین گفتگو تغییر نمی‌کند؛ فقط آنچه را در پنجره متنش است می‌بیند. اینکه گفتگوهای شما بعداً برای آموزش مدل‌های آینده استفاده شود یا نه، به سیاست ارائه‌دهنده و تنظیمات شما بستگی دارد، پس شرایط سرویسی را که استفاده می‌کنید بررسی کنید.
توکن در LLM چیست؟
توکن تکه‌ای از متن است که مدل می‌خواند و می‌نویسد — اغلب یک کلمه یا بخشی از یک کلمه. محدودیت‌های متن و قیمت APIها بر حسب توکن سنجیده می‌شوند، پس پرامپت‌ها و پاسخ‌های بلندتر هزینه بیشتری دارند.