مدل زبانی بزرگ (LLM) چیست و چطور کار میکند؟
چند سال است که با ابزارهایی مثل ChatGPT حرف میزنیم، کد مینویسیم و متن ترجمه میکنیم؛ اما پشت این گفتوگوی روان چه میگذرد؟ چیزی به اسم «مدل زبانی بزرگ» یا LLM — فناوریای که فهمیدن منطقش نه ریاضی پیچیده میخواهد و نه مدرک هوش مصنوعی. در این مطلب سازوکارش را به سادهترین شکل ممکن باز میکنیم.
LLM چیست؟
مدل زبانی بزرگ (Large Language Model) یک شبکهی عصبی عظیم است که روی حجم بسیار زیادی متن — کتابها، مقالهها، کد و صفحات وب — آموزش دیده و در این فرایند، الگوهای زبان را یاد گرفته است. «بزرگ» به تعداد پارامترهایش اشاره دارد: میلیاردها (و در جدیدترین مدلها تریلیونها) عدد قابل تنظیم که دانش مدل در آنها ذخیره شده. مدلهای معروف — GPT، Claude، Gemini، و مدلهای متنباز مثل Llama و Qwen و Kimi — همه بر همین اساس کار میکنند.
سازوکار اصلی: پیشبینی کلمه بعدی
شاید تعجب کنید، اما کل جادوی LLM از یک کار ساده میآید: حدسزدن توکن بعدی. متن شما به قطعات کوچکی به نام توکن شکسته میشود (هر توکن حدوداً یک کلمه یا بخشی از آن است)، مدل با توجه به همهی توکنهای قبلی محتملترین توکن بعدی را تولید میکند، آن را به متن اضافه میکند و همین حلقه بارها تکرار میشود — آنقدر سریع که شما یک پاسخ روان و پیوسته میبینید. وقتی این پیشبینی روی میلیاردها نمونهی واقعی تنظیم شده باشد، نتیجهاش متنی است که منطقی، مرتبط و انسانی به نظر میرسد.
آموزش مدل چطور انجام میشود؟
- پیشآموزش (Pre-training): مدل روی متن عظیم اینترنت پیشبینی توکن را تمرین میکند؛ پرهزینهترین مرحله که به هزاران GPU نیاز دارد.
- تنظیم دقیق (Fine-tuning): مدل با نمونههای گفتوگوی باکیفیت یاد میگیرد «دستیار» باشد، نه فقط ادامهدهندهی متن.
- همراستاسازی با بازخورد انسانی: پاسخها با ترجیح انسانها امتیاز میگیرند تا مدل مفیدتر و امنتر شود.
چند اصطلاح که مدام میشنوید
| اصطلاح | یعنی چه؟ |
|---|---|
| پارامتر (7B، 70B…) | اندازه مدل؛ B یعنی میلیارد. بزرگتر معمولاً باهوشتر اما سنگینتر |
| کانتکست (Context) | حافظه گفتوگو؛ حداکثر متنی که مدل یکجا میبیند |
| Inference | اجرای مدل و تولید پاسخ (در برابر Training) |
| MoE | مدلی از چند «متخصص» که برای هر درخواست فقط بخشی فعال میشود — بزرگ اما بهینه |
| هذیان (Hallucination) | پاسخ روان اما غلط؛ مدل حدس میزند، «نمیداند» |
محدودیتها را هم بشناسیم
مدل زبانی موتور پیشبینی است، نه دانشنامه: ممکن است با اعتمادبهنفس اشتباه کند، دانشش به تاریخ آموزشش محدود است و حساب و استدلال دقیق نقطهضعف کلاسیک آن است — هرچند مدلهای جدید «استدلالگر» در این زمینه پیشرفت بزرگی کردهاند. برای دادههای اختصاصی و بهروز هم راهکار استاندارد، تکنیک RAG است که در مطلب جداگانهای معرفی میکنیم.
جمعبندی
LLM شبکهی عصبی بزرگی است که با پیشبینی توکنِ بعدی، متن تولید میکند — همین ایدهی ساده در مقیاس عظیم، به ابزاری تبدیل شده که مینویسد، ترجمه میکند و کد میزند. خبر خوب اینکه استفاده از این فناوری دیگر انحصاری نیست: مدلهای متنباز را میتوانید روی سیستم شخصی یا سرور GPU خودتان اجرا کنید؛ موضوع مطلبهای بعدی همین است.