مدل زبانی بزرگ (LLM) چیست

توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.

مدل زبانی بزرگ (LLM) چیست

مدل زبانی بزرگ (LLM) نوعی شبکهٔ عصبی است که روی حجم عظیمی از متن آموزش دیده تا بتواند زبان انسانی را بفهمد و تولید کند. دستیاری بسیار پرمطالعه را تصور کنید که میلیاردها صفحه کتاب، مقاله، کد و گفت‌وگو را جذب کرده است. او چیزها را آن‌طور که انسان «می‌داند» نمی‌داند؛ در عوض الگوهای آماری را — اینکه کدام واژه‌ها و ایده‌ها معمولاً پس از کدام‌ها می‌آیند — آن‌قدر خوب آموخته که می‌تواند پاراگراف‌های منسجم بنویسد، به پرسش‌ها پاسخ دهد، میان زبان‌ها ترجمه کند، اسناد را خلاصه کند و حتی در مسائل چندمرحله‌ای استدلال کند.

ویژگی تعریف‌کننده (و محدودیت) LLM این است که با پیش‌بینی کار می‌کند. با دریافت آغاز یک جمله، مدل محتمل‌ترین واژهٔ بعدی را محاسبه می‌کند، سپس بعدی و همین‌طور ادامه می‌دهد، هر بار یک توکن. توکن تقریباً یک واژه یا زیرواژه است. با زنجیرکردن هزاران پیش‌بینی کوچک، LLM می‌تواند مقاله، کد، شعر یا تحلیل فنی تولید کند — همه بدون برنامه‌نویسی صریح برای هر وظیفه. LLMهای شناخته‌شده شامل GPT، Claude، Gemini و Mistral هستند. بیشتر پروژه‌های AI کریپتو که در بازاریابی خود «AI» را ذکر می‌کنند یا در درون از LLM استفاده می‌کنند، یا ادعای استفاده دارند، یا یک LLM شخص ثالث را پشت رابط خودشان می‌پیچند. فهم اینکه LLM واقعاً چیست — و چه نیست — برای ارزیابی این ادعاها ضروری است.

به‌طور خلاصه: LLM موتور پشت بیشترِ AI متن‌محور مدرن است. در AI کریپتو، پرسش حیاتی این نیست که پروژه «از LLM استفاده می‌کند» یا نه، بلکه این است که چگونه از آن استفاده می‌کند و چه ارزش اختصاصی‌ای روی آن می‌افزاید.

چگونه کار می‌کند

ساختن و به‌کارگیری LLM چند مرحلهٔ مجزا دارد. هر مرحله منابع، تخصص و دادهٔ متفاوتی می‌طلبد — و هر کدام هنگام ارزیابی یک پروژهٔ AI کریپتو سطح متفاوتی از عمق AI را نمایندگی می‌کند.

مرحلهٔ ۱: Pre-training

Pre-training جایی است که مدل مبانی زبان را می‌آموزد. در این مرحله، LLM میلیاردها توکن می‌خواند — واژه‌ها و زیرواژه‌هایی از کتاب‌ها، وب‌سایت‌ها، مخازن کد، مقالات علمی و منابع متنی دیگر. مدل پارامترهای درونی‌اش (وزن‌ها) را تنظیم می‌کند تا در پیش‌بینی توکن بعدی یک دنباله هرچه دقیق‌تر شود.

این مرحله گران است. آموزش یک LLM پیشرو از صفر می‌تواند هزاران GPU تخصصی را هفته‌ها یا ماه‌ها درگیر کند و مدل حاصل ممکن است ده‌ها یا صدها میلیارد پارامتر داشته باشد. فقط تعداد انگشت‌شماری سازمان — آزمایشگاه‌های AI با منابع سرشار — به‌طور معمول LLM را از صفر pre-train می‌کنند.

مرحلهٔ ۲: Fine-tuning

مدل pre-trained قدرتمند اما عمومی است. Fine-tuning رفتار مدل را با آموزش بیشتر روی مجموعه‌داده‌ای گزینش‌شده و کوچک‌ترِ مرتبط با یک وظیفه یا دامنهٔ مشخص باریک می‌کند. برای مثال، یک LLM پزشکی ممکن است روی یادداشت‌های بالینی fine-tune شود؛ مدل DeFi-محور ممکن است روی مستندات قراردادهای هوشمند و داده‌های on-chain تنظیم شود.

Fine-tuning رایانش بسیار کمتری از pre-training می‌خواهد اما همچنان تخصص در انتخاب داده، متریک‌های ارزیابی و پرهیز از فراموشی فاجعه‌بار (وقتی مدل حین تخصصی‌شدن، توانایی‌های عمومی را از دست می‌دهد) می‌طلبد.

مرحلهٔ ۳: هم‌راستاسازی و RLHF

LLMهای مدرن معمولاً پس از fine-tuning مرحلهٔ هم‌راستاسازی را می‌گذرانند. یادگیری تقویتی از بازخورد انسانی (RLHF) رایج‌ترین رویکرد است: ارزیاب‌های انسانی خروجی‌های مدل را رتبه‌بندی می‌کنند و مدل آموزش می‌بیند پاسخ‌هایی را ترجیح دهد که انسان‌ها بالاتر ارزیابی می‌کنند. هم‌راستاسازی همان چیزی است که مدل را وادار می‌کند دستورها را دنبال کند، درخواست‌های زیان‌بار را رد کند و پاسخ‌های واقعاً کارآمد تولید کند، نه چرندیات ظاهراً معقول.

مرحلهٔ ۴: استنتاج

استنتاج مرحلهٔ تولید است — وقتی LLM آموزش‌دیده پرامپتی می‌گیرد و خروجی تولید می‌کند. هر بار که کاربری پیامی به چت‌بات می‌فرستد، LLM زیربنایی استنتاج اجرا می‌کند: پرامپت را می‌خواند، آن را از لایه‌های پارامترهایش عبور می‌دهد و پاسخ را توکن به توکن تولید می‌کند.

استنتاج رایانش (زمان GPU) مصرف می‌کند اما به‌ازای هر پرس‌وجو بسیار کمتر از آموزش. بیشتر پروژه‌هایی که «از LLM استفاده می‌کنند» فقط استنتاج انجام می‌دهند — اغلب با فراخوانی API یک ارائه‌دهندهٔ بیرونی، نه با اجرای سخت‌افزار خودشان.

خط لوله در یک نگاه

مرحله	چه اتفاقی می‌افتد	معمولاً چه کسی انجام می‌دهد	هزینهٔ رایانش
Pre-training	یادگیری زبان از میلیاردها توکن	آزمایشگاه‌های بزرگ AI	بسیار بالا
Fine-tuning	سازگارکردن مدل با یک دامنه یا وظیفه	آزمایشگاه‌های AI، استارتاپ‌های خوش‌سرمایه	متوسط
هم‌راستاسازی (RLHF)	ایمن‌کردن مدل و پیروکردن آن از دستورها	آزمایشگاه‌های AI	متوسط
استنتاج	تولید پاسخ به پرامپت‌های کاربر	هر کسی با کلید API یا GPU	کم به‌ازای هر پرس‌وجو

ویژگی‌های کلیدی یک LLM

چند ویژگی تعیین می‌کنند یک LLM مشخص چقدر تواناست:

• تعداد پارامترها — تعداد وزن‌های قابل آموزش مدل. مدل‌های بزرگ‌تر معمولاً ظرافت بیشتری ثبت می‌کنند اما آموزش و اجرایشان گران‌تر است. تعداد پارامترها از چند میلیارد (مدل‌های متن‌باز کوچک) تا بیش از یک تریلیون (مدل‌های پیشرو) متغیر است.
• پنجرهٔ زمینه (context window) — حداکثر تعداد توکن‌هایی که مدل می‌تواند در یک تعامل واحد پردازش کند. پنجرهٔ زمینهٔ کوتاه یعنی مدل ابتدای یک گفت‌وگوی طولانی را «فراموش می‌کند». LLMهای مدرن پنجره‌های زمینه از چند هزار توکن تا بیش از صد هزار توکن ارائه می‌دهند.
• معماری — بیشتر LLMهای مدرن بر معماری Transformer ساخته شده‌اند که در سال ۲۰۱۷ معرفی شد. Transformerها از سازوکاری به نام self-attention برای وزن‌دهی به روابط میان همهٔ توکن‌های ورودی استفاده می‌کنند و همین است که به آن‌ها امکان مدیریت وابستگی‌های دوربرد در متن را می‌دهد.
• دادهٔ آموزش — کیفیت، تنوع و تازگی دادهٔ به‌کاررفته در pre-training شکل‌دهندهٔ دانسته‌های مدل است. مدلی که فقط روی متن انگلیسی آموزش دیده در زبان‌های دیگر ضعیف عمل می‌کند؛ مدلی با نقطهٔ قطع دانش در یک سال معین، از رویدادهای بعدی بی‌خبر است.

نمونه‌های واقعی صنعت

چند LLM شناخته‌شده گسترهٔ رویکردهای این حوزه را نشان می‌دهند:

• GPT (OpenAI) — یک LLM چندوجهی و بسته که از طریق API در دسترس است. بسیاری از پروژه‌های AI کریپتو برای افزودن قابلیت‌های گفت‌وگویی یا تحلیلی به محصولاتشان API مربوط به GPT را فراخوانی می‌کنند.
• Claude (Anthropic) — یک LLM بسته با تأکید قوی بر ایمنی و هم‌راستاسازی. مانند GPT معمولاً از راه API در دسترس است.
• DeepSeek-R1 (DeepSeek) — یک LLM با وزن‌های باز که با مجوز MIT منتشر شده. توانایی‌های استدلال قوی و در دسترس بودن باز آن، این مدل را به مدل پایهٔ محبوبی برای fine-tuning و برای پروژه‌های AI کریپتویی تبدیل کرده که می‌خواهند مدل را محلی اجرا کنند یا ادعای یکپارچه‌سازی عمیق‌تر AI دارند.
• Mistral (Mistral AI) — خانواده‌ای از مدل‌های با وزن باز که به کارایی قوی در تعداد پارامترهای کمتر مشهورند و همین آن‌ها را برای پروژه‌هایی با بودجهٔ محدود GPU عملی می‌کند.

این نام‌ها در توصیف پروژه‌های AI کریپتو زیاد دیده می‌شوند. وقتی پروژه‌ای می‌گوید «از GPT استفاده می‌کند»، تقریباً همیشه یعنی API شرکت OpenAI را فرا می‌خواند. وقتی می‌گوید «DeepSeek را fine-tune کرده»، درگیری فنی عمیق‌تری را می‌رساند — هرچند این ادعا همچنان شواهد قابل تأیید می‌خواهد.

LLMهای متن‌باز در برابر بسته

جنبه	متن‌باز / با وزن باز	بسته
وزن‌های مدل	برای دانلود در دسترس عموم	پنهان پشت یک API
وارسی	هر کسی می‌تواند مطالعه، ممیزی یا fine-tune کند	ممیزی بیرونی درونیات ممکن نیست
سفارشی‌سازی	می‌توان روی دادهٔ سفارشی fine-tune و محلی اجرا کرد	محدود به پارامترهای API (دما، پرامپت‌های سیستمی)
ساختار هزینه	به سخت‌افزار GPU یا میزبانی خودی نیاز دارد	قیمت‌گذاری API به‌ازای هر توکن
نمونه‌ها	DeepSeek، Qwen، Mistral	GPT، Claude، Gemini

برای پروژه‌های AI کریپتو این تمایز مهم است: پروژه‌ای که یک مدل با وزن باز را fine-tune کرده و جزئیات آموزش را منتشر کرده، عمق AI بیشتری نشان می‌دهد تا پروژه‌ای که بدون هیچ تغییری یک API بسته را فرا می‌خواند.

چرا LLMها در AI کریپتو مهم‌اند

بسیاری از پروژه‌های AI کریپتو در وایت‌پیپرها، پیچ‌دک‌ها یا توصیف محصولاتشان به LLMها ارجاع می‌دهند. ادعاها بسیار متنوع‌اند:

• «ما LLM خودمان را ساختیم» — یعنی pre-training یا fine-tuning چشمگیر، که رایانش و تخصص قابل توجهی می‌خواهد. این عمیق‌ترین سطح درگیری است.
• «ما یک LLM را برای DeFi به‌دقت تنظیم کردیم» — یعنی سازگارسازی دامنه‌محور یک مدل پایهٔ موجود. باورپذیرتر از فراخوانی خام API است، اما جزئیات مهم‌اند.
• «ما از LLM استفاده می‌کنیم» — اغلب یعنی فراخوانی یک API بیرونی (مانند API شرکت OpenAI یا Anthropic) با پرامپت‌های ویژهٔ پروژه. این سطحی‌ترین سطح یکپارچه‌سازی AI است.

این سه سناریو سطوح بنیاداً متفاوتی از عمق AI را نمایندگی می‌کنند و DecAIHub آن‌ها را با روش‌شناسی شواهدمحور خود بر همین اساس ارزیابی می‌کند.

استفاده از API در برابر ساختن مدل خودی

رویکرد	چه معنایی دارد	عمق AI
فراخوانی API	پروژه پرامپت‌ها را به یک LLM شخص ثالث (مثلاً OpenAI API) می‌فرستد و پاسخ را برمی‌گرداند	کم — AI متعلق به ارائه‌دهنده است
مهندسی پرامپت	پروژه پرامپت‌های تخصصی، زنجیره‌ها یا خطوط لولهٔ بازیابی را روی یک LLM شخص ثالث طراحی می‌کند	کم تا متوسط — منطق اختصاصی هست اما مدل بیرونی است
Fine-tuning	پروژه یک مدل پایهٔ متن‌باز (DeepSeek، Mistral، Qwen) را روی مجموعه‌دادهٔ خودش سازگار می‌کند	متوسط تا زیاد — پروژه مالک یک مدل تغییریافته است
Pre-training	پروژه مدلی را از صفر روی داده و رایانش خودش آموزش می‌دهد	زیاد — مالکیت کامل مدل

یک API wrapper که پرامپت‌های کاربر را به یک LLM تجاری می‌فرستد و پاسخ را برمی‌گرداند، با پروژه‌ای که DeepSeek را روی داده‌های تراکنش on-chain به‌دقت تنظیم کرده یکی نیست. DecAIHub در فیلد AI component کارت پروژه میان این‌ها تمایز می‌گذارد.

این موضوع کجای کارت‌های پروژهٔ DecAIHub دیده می‌شود

هنگام مرور کارت پروژه در DecAIHub، چند فیلد مستقیماً به استفاده از LLM مربوط‌اند:

• AI component ممکن است «LLM»، «مدل fine-tune شده»، «مهندسی پرامپت» یا نام مدل مشخصی را ذکر کند. این فیلد توصیف می‌کند پروژه واقعاً چه نوع AI‌ای دارد، آن‌گونه که بازبین‌های DecAIHub تأیید کرده‌اند.
• AI use case توصیف می‌کند LLM برای چه به کار می‌رود: تولید، طبقه‌بندی، خلاصه‌سازی، استدلال ایجنت و مانند این‌ها. پروژه ممکن است از LLM برای وظیفه‌ای باریک (مثلاً تجزیهٔ قصد) یا به‌عنوان موتور محوری کل محصول استفاده کند.
• ai_score (بخشی از DecAI Fit) بازتاب می‌دهد استفاده از LLM چقدر خوب با شواهد Tier-1، Tier-2 یا Tier-3 مستند شده است. پروژه‌ای که ادعای استفاده از LLM دارد اما هیچ artifact قابل تأییدی نمی‌دهد در این بُعد امتیاز پایین می‌گیرد.
• پرچم‌های AI reality (از AI_0 تا AI_4) عمق کلی AI قابل تأیید را نشان می‌دهند که در بسیاری از پروژه‌ها به یکپارچه‌سازی LLM آن‌ها گره خورده است.

هدف هرگز جریمهٔ پروژه بابت استفاده از LLM شخص ثالث نیست — بسیاری از محصولات معتبر دقیقاً همین کار را می‌کنند. هدف تمایز میان پروژه‌هایی است که شفاف API فراخوانی می‌کنند و آن‌هایی که استفاده از API را پژوهش AI اختصاصی جا می‌زنند.

یک LLM به‌تنهایی چه چیزی را ثابت نمی‌کند

• داشتن کلید API یک LLM به این معنا نیست که پروژه «AI دارد». یعنی پروژه می‌تواند AI کس دیگری را فرا بخواند.
• ذکر «GPT» یا «Claude» در بازاریابی کار AI اختصاصی را ثابت نمی‌کند. هزاران برنامه از همان API استفاده می‌کنند.
• حتی مدل fine-tune شده هم artifactهای قابل تأیید می‌خواهد: توصیف دادهٔ آموزش، متریک‌های ارزیابی، شناسهٔ نسخهٔ مدل و شواهد استقرار.
• تعداد پارامتر بالا مدل بهتری را تضمین نمی‌کند. کیفیت آموزش، گزینش داده و هم‌راستاسازی دست‌کم به‌اندازهٔ اندازهٔ خام اهمیت دارند.

اشتباه نگیرید با

• استنتاج — اجرای یک LLM آموزش‌دیده برای تولید خروجی. استنتاج یک گام در استفاده از LLM است، نه مترادفی برای خود LLM.
• آموزش — فرایند ساختن یا سازگارکردن یک LLM. آموزش مدل را تولید می‌کند؛ استنتاج از آن استفاده می‌کند.
• ایجنت AI — سیستمی خودمختار که ممکن است از LLM به‌عنوان هستهٔ استدلالش استفاده کند، اما درک، حافظه، استفاده از ابزار و کنش را می‌افزاید. LLM به‌تنهایی ایجنت نیست.
• پردازش زبان طبیعی (NLP) — حوزهٔ گسترده‌تری از علوم رایانه. LLMها یک رویکرد (بسیار موفق) به NLP هستند، اما NLP تکنیک‌های قدیمی‌تری مانند استخراج کلیدواژه، تجزیهٔ قاعده‌محور و طبقه‌بندهای آماری را هم دربر می‌گیرد.
• مدل بنیادین (foundation model) — اصطلاحی کلی‌تر که LLMها را شامل می‌شود اما مدل‌های بزرگ آموزش‌دیده روی تصویر، صدا، ویدیو یا دادهٔ چندوجهی را هم پوشش می‌دهد. هر LLM یک مدل بنیادین است، اما هر مدل بنیادینی LLM نیست.

پرسش‌های متداول

تفاوت LLM و چت‌بات چیست؟

LLM یک مدل است — مجموعه‌ای از پارامترهای آموزش‌دیده که می‌تواند متن را پردازش و تولید کند. چت‌بات محصولی است که روی یک مدل ساخته شده. LLM موتور است؛ چت‌بات خودرو. یک LLM واحد می‌تواند موتور هزاران چت‌بات متفاوت باشد، هر کدام با پرامپت‌ها، رابط و شخصیت خودش. برعکس، چت‌بات لزوماً از LLM استفاده نمی‌کند — چت‌بات‌های قدیمی‌تر بر قواعد اسکریپت‌شده یا تطبیق الگوی ساده متکی بودند.

آیا همهٔ پروژه‌های AI از LLM استفاده می‌کنند؟

نه. بسیاری از پروژه‌های AI کریپتو از انواع دیگر یادگیری ماشین استفاده می‌کنند: مدل‌های بینایی رایانه‌ای برای تولید NFT، یادگیری تقویتی برای راهبردهای معاملاتی، شبکه‌های عصبی گرافی برای تحلیل بلاکچین یا ML سنتی برای تشخیص ناهنجاری. LLM در برنامه‌های متن‌محور غالب است اما تنها نوع AI نیست.

Fine-tune کردن یک LLM یعنی چه؟

Fine-tuning یک LLM از پیش آموزش‌دیده را می‌گیرد و آموزش آن را روی مجموعه‌داده‌ای کوچک‌تر و گزینش‌شدهٔ مرتبط با یک وظیفهٔ مشخص ادامه می‌دهد. هدف تخصصی‌کردن مدل است — برای نمونه، یاددادن اصطلاحات DeFi، تجزیهٔ قراردادهای هوشمند یا تولید پاسخ به سبکی خاص. Fine-tuning به‌صرفه‌تر از pre-training از صفر است اما همچنان مهارت فنی، دادهٔ مناسب و منابع رایانشی می‌خواهد.

از کجا بفهمیم پروژهٔ کریپتو LLM خودش را ساخته یا API استفاده می‌کند؟

دنبال شواهد مشخص بگردید: وزن‌های منتشرشدهٔ مدل یا model card، دادهٔ آموزشی مستندشده، بنچمارک‌های ارزیابی و توصیفی از فرایند fine-tuning. اگر پروژه فقط نام یک مدل مشهور (GPT، Claude) را بدون توصیف هیچ تغییری ذکر کند، احتمالاً از API استفاده می‌کند. DecAIHub این تمایز را در فیلد AI component و سطح شواهد ثبت می‌کند.

LLMهای متن‌باز چیستند؟

LLMهای متن‌باز (یا با وزن باز) مدل‌هایی هستند که پارامترهای آموزش‌دیدهٔ آن‌ها برای دانلود، مطالعه و تغییر در دسترس عموم است. نمونه‌ها شامل DeepSeek، Qwen و Mistral هستند. این مدل‌ها به هر کسی امکان fine-tune، استقرار و وارسی می‌دهند، که شفافیت را بالا می‌برد و راستی‌آزمایی مستقل را ممکن می‌کند — هر دو در فضای AI کریپتو ارزشمندند.

چرا اندازهٔ LLM (تعداد پارامترها) مهم است؟

پارامترهای بیشتر معمولاً به مدل اجازه می‌دهند الگوهای پیچیده‌تری از زبان را ثبت کند که می‌تواند کارایی در وظایف دشوار را بهبود دهد. اما اندازه به‌تنهایی تعیین‌کننده نیست. یک مدل کوچک‌تر خوب‌آموزش‌دیده می‌تواند از مدل بزرگ‌تر بدآموزش‌دیده بهتر عمل کند. آنچه بیش از همه اهمیت دارد ترکیب تعداد پارامترها، کیفیت داده، روش‌شناسی آموزش و تنظیم هم‌راستاسازی است.

همچنین ببینید

• API wrapper چیست
• استنتاج (inference) چیست
• آموزش (training) چیست
• AI component چیست
• ایجنت AI چیست
• مدل بنیادین (foundation model) چیست
• چگونه بفهمیم پروژه واقعاً AI دارد
• AI reality، Onchain necessity و Token necessity

منابع خارجی

• Attention Is All You Need (Vaswani et al., 2017) — مقالهٔ اصلی Transformer که زیربنای همهٔ LLMهای مدرن است.
• Stanford Center for Research on Foundation Models — پژوهش و سیاست‌گذاری دربارهٔ LLMها و مدل‌های بنیادین.
• Hugging Face Open LLM Leaderboard — بنچمارک اجتماعی برای مقایسهٔ LLMهای متن‌باز.
• Anthropic Research — مقالاتی دربارهٔ ایمنی، هم‌راستاسازی و تفسیرپذیری LLMها.
• DeepSeek — خانوادهٔ LLM متن‌باز مشهور به استدلال قوی که به‌عنوان مدل پایه در اکوسیستم AI کریپتو پرکاربرد است.