بلاگ

مقالات و مطالب آموزشی

آموزش کامل اتصال API هوش مصنوعی Mindbase به Chatbox

آموزش کامل اتصال API هوش مصنوعی Mindbase به Chatbox

در این راهنما، اتصال API هوش مصنوعی Mindbase به Chatbox را مرحله‌به‌مرحله آموزش داده‌ایم؛ ساخت Provider سفارشی با نوع OpenAI API Compatible، تنظیم API Host و افزودن مدل MindBase.

خطوط لوله RAG پیشرفته: مروری بر بازنویسی پرسش، بازیابی ترکیبی و بازمرتب‌سازی

خطوط لوله RAG پیشرفته: مروری بر بازنویسی پرسش، بازیابی ترکیبی و بازمرتب‌سازی

RAG ساده — جستجوی برداری و ریختن نتایج در پرامپت — روی سؤال‌های ساده جواب می‌دهد و روی سؤال‌های واقعی می‌شکند. در این مرور سه لایه‌ی ارتقا را می‌بینیم: آماده‌سازی پرسش، بازیابی ترکیبی و بازمرتب‌سازی؛ هرکدام با هزینه و بازده مشخص.

مقایسه خانواده Gemma با مدل‌های متن‌باز هم‌تراز در استدلال، کدنویسی و وظایف چندزبانه

مقایسه خانواده Gemma با مدل‌های متن‌باز هم‌تراز در استدلال، کدنویسی و وظایف چندزبانه

انتخاب مدل متن‌باز با نگاه به جدول بنچمارک‌های عمومی، بیشترین راه را گم می‌کند. در این مطلب یک روش مقایسه‌ی منصفانه برای خانواده‌ی Gemma و رقبا می‌سازیم: مقایسه‌ی هم‌اندازه، سه محور آزمون و ساخت بنچمارک اختصاصی روی کار خودتان.

تشخیص و کاهش توهم‌زایی در مدل‌های زبانی بزرگ: روش‌ها، معیارها و چالش‌های باز

تشخیص و کاهش توهم‌زایی در مدل‌های زبانی بزرگ: روش‌ها، معیارها و چالش‌های باز

بدترین پاسخ، پاسخی است که غلط است اما محکم و مطمئن به نظر می‌رسد. توهم‌زایی مشکل شماره یک اعتماد به LLMهاست. در این مطلب می‌بینیم توهم از کجا می‌آید، سه لایه‌ی دفاع در برابرش کدام‌اند و چطور میزانش را سنجید.

کیفیت به‌جای کمیت: راهبردهای پالایش داده برای تنظیم دستورالعملی مدل‌های کوچک و متوسط

کیفیت به‌جای کمیت: راهبردهای پالایش داده برای تنظیم دستورالعملی مدل‌های کوچک و متوسط

وسوسه‌ی همیشگی: هرچه داده بیشتر، مدل بهتر. تجربه برعکس می‌گوید — ده‌ها هزار نمونه‌ی تمیز و متنوع اغلب از صدها هزار نمونه‌ی شلوغ بهتر جواب می‌دهد. در این مطلب خط لوله‌ی پالایش داده‌ی تنظیم دستورالعملی را می‌سازیم.

پشتیبان تصمیم قابل‌تفسیر: ترکیب LLM با سیستم‌های مبتنی بر قاعده برای اولویت‌بندی بالینی و حقوقی

پشتیبان تصمیم قابل‌تفسیر: ترکیب LLM با سیستم‌های مبتنی بر قاعده برای اولویت‌بندی بالینی و حقوقی

در پزشکی و حقوق، جوابِ بدون دلیل نه‌تنها بی‌ارزش بلکه خطرناک است. معماری درست، تقسیم کار است: LLM زبان را می‌فهمد و حقایق را استخراج می‌کند، موتور قواعد تصمیم می‌گیرد، و انسان امضا می‌زند. در این مطلب این معماری را می‌سازیم.

تقطیر دانش از معلم‌های LLM به شاگردهای SLM زیر ۳ میلیارد پارامتر برای استدلال دامنه‌محور

تقطیر دانش از معلم‌های LLM به شاگردهای SLM زیر ۳ میلیارد پارامتر برای استدلال دامنه‌محور

مدل بزرگ دقیق اما گران است، مدل کوچک ارزان اما در استدلال دامنه‌ای لیز می‌خورد. تقطیر دانش پل وسط است: معلم داده و «شکل فکر کردن» را به شاگرد کوچک منتقل می‌کند. در این مطلب سه مرحله‌ی عملی تقطیر و دام‌های رایجش را می‌بینیم.

آبشارها و مسیریاب‌های LLM: مدل‌های تصمیم‌گیر حساس به هزینه برای ارجاع پرسش میان مدل‌های کوچک و بزرگ

آبشارها و مسیریاب‌های LLM: مدل‌های تصمیم‌گیر حساس به هزینه برای ارجاع پرسش میان مدل‌های کوچک و بزرگ

همه‌ی پرسش‌ها سخت نیستند؛ پرداخت قیمت مدل بزرگ برای «سلام، حالت چطوره؟» اسراف است. آبشار و مسیریاب یعنی یک لایه‌ی تصمیم‌گیر که هر پرسش را به ارزان‌ترین مدلِ کافی می‌فرستد. در این مطلب ساختارها، روش‌های سنجش اعتماد و حساب اقتصادی‌اش را می‌بینیم.

MoE روی GPUهای معمولی: انتقال متخصص‌ها به حافظه و مسیریابی پویا

MoE روی GPUهای معمولی: انتقال متخصص‌ها به حافظه و مسیریابی پویا

مدل‌های ترکیب متخصص‌ها بزرگ‌اند اما هر توکن فقط بخش کوچکی از آن‌ها را فعال می‌کند — یعنی می‌شود روی سخت‌افزار معمولی اجرایشان کرد، اگر مدیریت حافظه درست باشد. در این مطلب تکنیک‌های انتقال متخصص‌ها، کشِ متخصص‌های داغ و مسیریابی پویا را مرور می‌کنیم.

چارچوب RAG چندوجهی برای فهم جدول‌ها و نمودارها در مقالات علمی

چارچوب RAG چندوجهی برای فهم جدول‌ها و نمودارها در مقالات علمی

نصف حقیقت یک مقاله‌ی علمی در جدول‌ها و نمودارهایش است و RAG کلاسیک آن‌ها را نمی‌بیند. در این مطلب یک چارچوب چهارمرحله‌ای برای بازیابی و فهم جدول، نمودار و شکل در PDFهای علمی می‌سازیم.

مدل‌های زبانی کوچک در لبه: مرور نظام‌مند فشرده‌سازی، کوانتیزاسیون و استنتاج روی دستگاه

مدل‌های زبانی کوچک در لبه: مرور نظام‌مند فشرده‌سازی، کوانتیزاسیون و استنتاج روی دستگاه

مدل‌های کوچک دیگر نسخه‌ی ضعیفِ LLMها نیستند؛ با کوانتیزاسیون درست، تقطیر و موتور استنتاج بهینه، همین امروز روی گوشی و لپ‌تاپ کارهای جدی انجام می‌دهند. در این مرور می‌بینیم هر تکنیک چه می‌کند، چه هزینه‌ای دارد و کجا انتخاب درست است.

زنجیره تفکر (Chain of Thought) چیست؟ از ترفند پرامپت تا مدل‌های استدلال‌گر

زنجیره تفکر (Chain of Thought) چیست؟ از ترفند پرامپت تا مدل‌های استدلال‌گر

وقتی از مدل بخواهید قدم‌به‌قدم فکر کند، پاسخ‌هایش در مسائل سخت دقیق‌تر می‌شود. در این مطلب می‌بینیم زنجیره تفکر چیست، چرا کار می‌کند، چطور از یک ترفند پرامپت به معماری نسل جدید مدل‌های استدلال‌گر رسید و کجا باید از آن استفاده کرد.

مهندسی زمینه (Context Engineering) چیست؟ هنر ساختن ورودی درست برای مدل

مهندسی زمینه (Context Engineering) چیست؟ هنر ساختن ورودی درست برای مدل

پرامپت خوب فقط یک لایه از ماجراست؛ آن‌چه واقعاً مدل می‌بیند — دستور سیستم، داده‌ی بازیابی‌شده، تاریخچه‌ی گفتگو و تعریف ابزارها — باید مهندسی شود. در این مطلب می‌بینیم مهندسی زمینه چیست، چه لایه‌هایی دارد و چطور بودجه‌ی پنجره‌ی زمینه را مدیریت کنیم.

Prompt Injection چیست؟ بزرگ‌ترین حفره‌ی امنیتی مدل‌های زبانی

Prompt Injection چیست؟ بزرگ‌ترین حفره‌ی امنیتی مدل‌های زبانی

وقتی دستور و داده هر دو به یک زبان نوشته می‌شوند، هر متن غیرقابل‌اعتمادی می‌تواند خودش را «دستور» جا بزند. در این مطلب می‌بینیم تزریق پرامپت چگونه کار می‌کند، چرا راه‌حل قطعی ندارد و کدام دفاع‌ها واقعاً عملی‌اند.

RLHF چیست؟ هم‌ترازی مدل‌های زبانی با بازخورد انسانی

RLHF چیست؟ هم‌ترازی مدل‌های زبانی با بازخورد انسانی

مدل پایه فقط ادامه‌ی متن می‌دهد؛ رفتار مفید و مؤدبانه‌ای که در ChatGPT می‌بینید محصول یادگیری تقویتی با بازخورد انسانی است. در این مطلب می‌بینیم RLHF چگونه کار می‌کند، هم‌ترازی چه معنایی دارد و چه ردپایی در رفتار روزمره‌ی مدل‌ها گذاشته است.

خروجی ساختاریافته (Structured Output) چیست؟ گرفتن JSON قابل‌اعتماد از مدل

خروجی ساختاریافته (Structured Output) چیست؟ گرفتن JSON قابل‌اعتماد از مدل

یکپارچه‌سازی مدل با نرم‌افزار یعنی خروجی باید قابل‌پارس باشد. در این مطلب می‌بینیم JSON Mode و Structured Output چطور کار می‌کنند، نقش JSON Schema و decoding محدودشده چیست و خطا را چگونه مدیریت کنیم.

Vibe Coding چیست؟ کدنویسی با زبان طبیعی

Vibe Coding چیست؟ کدنویسی با زبان طبیعی

پروژه را توصیف می‌کنید، عامل کد را می‌نویسد، اجرا می‌کنید و خطا را همان‌جا دیکته می‌کنید — این Vibe Coding است. در این مطلب می‌بینیم این سبک چیست، کجا معجزه می‌کند، کجا خطرناک است و قواعد طلایی کار با آن.