مدل‌های زبانی بزرگ مثل Grok چگونه کار می‌کنند؟

مدل Grok یک مدل زبانی بزرگ یا LLM است: برنامه‌ای که روی حجم عظیمی از متن آموزش دیده تا متن را به شکلی کاربردی ادامه دهد. برای درک مفاهیم اصلی نیازی به دانش ریاضی ندارید و یادگیری آن‌ها بسیار به کارتان می‌آید. این مفاهیم توضیح می‌دهند که چرا Grok در بازنویسی پاراگراف‌ها فوق‌العاده است، چرا گاهی با اطمینان کامل یک تاریخ اشتباه را بیان می‌کند، چرا در چت ما از اخبار هفته گذشته بی‌خبر است و چرا یک پرامپت دقیق‌تر، پاسخ بهتری به همراه دارد.

ایده اصلی: پیش‌بینی کلمه بعدی

در اصل، یک LLM فقط یک کار انجام می‌دهد: بر اساس متنی که دریافت می‌کند، حدس می‌زند کدام بخش کوچک از متن به احتمال زیاد در ادامه می‌آید، آن را اضافه می‌کند و همین کار را تکرار می‌کند. پرسش شما، پیام‌های قبلی و دستورالعمل‌هایی که سایت به مدل می‌دهد، همگی بخشی از این متن اولیه هستند. پاسخی که می‌خوانید حاصل هزاران پیش‌بینی کوچکِ پشت سر هم است که هر کدام بر اساس تمام متن‌های نوشته‌شده تا آن لحظه شکل گرفته‌اند.

شاید ساده‌تر از آن به نظر برسد که بتواند قوانین مالیاتی را به خوبی توضیح دهد یا یک تابع برنامه‌نویسی کاربردی بنویسد. دلیل موفقیت آن «مقیاس بزرگ» است. برای پیش‌بینی دقیق متن در میان میلیاردها نمونه، مدل باید حجم عظیمی از گرامر، فکت‌ها، الگوهای استدلال، سبک‌های نگارش و شیوه توضیح دادن مفاهیم را یاد بگیرد. پیش‌بینی کار اصلی است؛ ایجاد یک مدل گسترده از زبان و جهان، نتیجه جانبی آن است.

در هر انتخاب، مقدار کمی تصادفی‌بودنِ عمدی وجود دارد؛ به همین دلیل، با زدن دوباره دکمه تولید پاسخ (regenerate)، ممکن است برای یک سؤال یکسان پاسخی با کلمات متفاوت دریافت کنید.

توکن‌ها: بخش‌های سازنده کار مدل

مدل‌ها حروف یا کلمات کامل را نمی‌خوانند، بلکه «توکن‌ها» را پردازش می‌کنند: بخش‌هایی که اغلب یک کلمه کوتاه کامل، بخشی از یک کلمه طولانی‌تر، یک فاصله همراه با کلمه، یا یک علامت نگارشی هستند. کلمات رایج انگلیسی معمولاً یک توکن هستند، در حالی که کلمات نادر و بسیاری از خط‌های غیرلاتین به چند توکن تقسیم می‌شوند.

توکن‌ها از دو جهت برای شما مهم هستند: محدودیت حجم خواندن و نوشتن مدل بر اساس توکن سنجیده می‌شود، نه کلمه. همچنین از آنجا که مدل متن را به صورت بخش‌بخش می‌بیند و نه حرف به حرف، کارهایی مثل شمارش حروف یک کلمه یا معکوس کردن یک عبارت می‌تواند آن را به اشتباه بیندازد، هرچند وظایف زبانی بسیار پیچیده‌تر را به راحتی انجام می‌دهد.

مدل‌های Grok در چت ما تصویر هم می‌پذیرند. تصویر به قالبی تبدیل می‌شود که مدل بتواند آن را در کنار متن شما پردازش کند؛ به همین ترتیب می‌تواند یک نمودار را بخواند یا یک عکس را توصیف کند. البته پاسخ مدل همچنان متنی است.

آموزش: از متن خام تا یک دستیار مفید

ساخت مدلی مثل Grok در چند مرحله انجام می‌شود. جزئیات دقیق فرآیند شرکت‌ها معمولاً عمومی نیست، اما روند کلی آن مشخص است.

1. پیش‌آموزش (Pre-training). مدل یاد می‌گیرد متن را بر اساس مجموعه عظیمی از کتاب‌ها، وب‌سایت‌ها، کدها و منابع دیگر پیش‌بینی کند. دانش عمومی و مهارت زبانی مدل از همین مرحله می‌آید.
2. تنظیم دقیق (Fine-tuning). سپس مدل با نمونه‌هایی از مکالمات مناسب آموزش می‌بیند: سوالاتی که همراه با پاسخ‌های مفید و ساختاریافته هستند. این کار، یک پیش‌بینی‌کننده متن را به دستیاری تبدیل می‌کند که دستورات را اجرا می‌کند.
3. بازخورد (Feedback). افراد و بررسی‌های خودکار به پاسخ‌ها امتیاز می‌دهند و مدل طوری تنظیم می‌شود که به پاسخ‌های باکیفیت‌تر، مثل پاسخ‌های دقیق، واضح و ایمن، تمایل بیشتری داشته باشد.

نتیجه کار یک فایل بزرگ از اعداد به نام «وزن‌ها» (weights) است که آموخته‌های مدل را ذخیره می‌کند. مدل کپی متن‌های آموزشی را برای جستجو نگه نمی‌دارد، بلکه الگوها را حفظ می‌کند؛ به همین دلیل می‌تواند یک مفهوم را با کلمات جدید توضیح دهد اما ممکن است یک جزئیات خاص را اشتباه به یاد بیاورد.

محدودیت تاریخ داده‌ها و عدم دسترسی به اینترنت

آموزش مدل در یک مقطع زمانی متوقف می‌شود و مدل از هر رویدادی بعد از آن بی‌خبر است. به این نقطه «محدودیت تاریخ داده‌ها» (knowledge cut-off) می‌گویند. برخی نسخه‌های Grok می‌توانند در وب جستجو کنند: نسخه رسمی Grok در grok.com و X دارای جستجوی زنده است. اما چت ما این دسترسی را ندارد، بنابراین Grok در اینجا فقط بر اساس داده‌های آموزشی خود و آنچه در گفتگو می‌نویسید پاسخ می‌دهد.

در عمل: برای اخبار، قیمت‌ها، نتایج ورزشی، زمان‌بندی‌ها، قوانین جدید و آخرین نسخه‌های نرم‌افزاری، از یک منبع به‌روز استفاده کنید. اگر یک مقاله جدید را در چت جای‌گذاری (paste) کنید، Grok می‌تواند آن را بررسی کند، زیرا اطلاعات به بخشی از گفتگو تبدیل شده است.

پنجره زمینه: حافظه کاری مدل

«پنجره زمینه» (Context window) یک مدل، مقدار متنی است که می‌تواند در یک لحظه بررسی کند؛ شامل پیام‌های شما، پاسخ‌های خودش و دستورالعمل‌ها. مدل‌های Grok شرکت xAI پنجره‌های بسیار بزرگی دارند؛ OpenRouter برای Grok 4.20 مقدار ۲ میلیون توکن، برای Grok 4.3 مقدار ۱ میلیون و برای Grok 4.7 مقدار ۵۰۰ هزار توکن را ثبت کرده است. چت ما برای حفظ سرعت و رایگان ماندن سرویس، بخش بسیار کوچک‌تری را ارسال می‌کند و پیام‌های قدیمی‌تر مکالمات طولانی را حذف می‌کند.

از این موضوع دو نتیجه حاصل می‌شود: در طول یک گفتگو، Grok فقط مواردی را «به یاد می‌آورد» که هنوز در این پنجره قرار دارند. همچنین بین مکالمات مختلف هیچ چیز را به خاطر نمی‌سپارد: هر چت جدید با حافظه خالی شروع می‌شود، حتی اگر چت‌های قبلی شما برای مرور دوباره در مرورگرتان ذخیره شده باشند. اگر حس کردید روند یک چت طولانی دارد از دست می‌رود، درخواست یک خلاصه کنید و یک گفتگوی تازه را با آن آغاز کنید.

استدلال: مدل‌هایی که پیش از پاسخ فکر می‌کنند

برخی مدل‌ها آموزش دیده‌اند تا قبل از ارائه پاسخ نهایی، روند تفکر خود را مرحله‌به‌مرحله بنویسند: شرایط را بسنجند، یک روش را امتحان کنند و آن را بررسی نمایند. به این کار استدلال (reasoning) می‌گویند که بیش از همه در ریاضیات، منطق، برنامه‌ریزی و خطایابی مفید است. در چت ما، Grok 4.3 Thinking و Grok 4.7 پیش از پاسخ استدلال می‌کنند، در حالی که Grok 4.20 برای افزایش سرعت، با استدلال خاموش اجرا می‌شود. راهنمای ما درباره مدل‌های استدلالی توضیح می‌دهد که چه زمانی ارزش دارد منتظر بمانید.

چرا مدل‌ها موضوعات نادرست می‌سازند؟

از آنجا که مدل همواره متنی منطقی و محتمل تولید می‌کند، وقتی به مرز دانسته‌هایش می‌رسد به طور خودکار متوقف نمی‌شود. اگر از آن منبعی بخواهید که ندیده باشد، ممکن است عنوانی بسیار باورپذیر بسازد. اگر درباره یک شهر کوچک بپرسید، ممکن است جزئیات شهرهای مشابه را با آن ترکیب کند. به این اتفاق اصطلاحاً توهم (hallucination) می‌گویند که پیامد جانبی همان ساختاری است که باعث روانی کلام مدل می‌شود. فرآیند آموزش این حالت را کاهش می‌دهد و دستوراتی مانند «اگر مطمئن نیستی بگو» کمک‌کننده‌اند، اما هیچ مدل فعلی کاملاً بی‌نقص نیست. راهنمای ما برای بررسی صحت پاسخ‌های هوش مصنوعی روش‌های کنترل آن را نشان می‌دهد.

این موضوع چه نقشی در پرامپت‌های شما دارد؟

هر یک از نکات بالا به یک روش کاربردی ختم می‌شود. مدل بر اساس ورودی‌هایش پیش‌بینی می‌کند، پس محتوا را در اختیارش بگذارید. دانش آن محدود به یک تاریخ است، بنابراین فکت‌های جدید را خودتان ارسال کنید. ممکن است حدس بزند، پس از آن بخواهید در صورت عدم اطمینان به شما اطلاع دهد.

پرامپت ضعیف:
قوانین ویزای من چیست؟

پرامپت قوی:
در ادامه، متن صفحه رسمی درباره نوع ویزای من آمده که امروز کپی شده است. لطفاً به زبان ساده توضیح بده قبل از پایان اعتبار ویزا چه کارهایی باید انجام دهم و تاریخ‌های مهم ذکرشده را فهرست کن. فقط از این متن استفاده کن و اگر موضوعی مبهم بود اعلام کن.
---
[متن کپی‌شده]

پرامپت ضعیف از Grok می‌خواهد قوانینی را به یاد بیاورد که شاید تغییر کرده باشند. پرامپت قوی منبع جدید را به آن ارائه می‌دهد و می‌خواهد کاری را انجام دهد که LLMها در آن بهترین هستند: خواندن، توضیح دادن و ساختاربندی. برای چنین کارهایی از ابزار خلاصه‌ساز استفاده کنید یا از Grok بخواهید عملکرد خود را توضیح دهد به زبان ساده.

پرسش‌های متداول

آیا Grok متوجه حرف‌های خودش می‌شود؟

این موضوع مورد بحث است. چیزی که مشخص است این است که می‌تواند به شیوه‌ای کاربردی توضیح دهد، خلاصه کند و استدلال بیاورد، اما می‌تواند بدون اینکه متوجه شود اشتباه هم بکند. پاسخ‌های آن را با ارزیابی دقیق بسنجید، نه از روی لحن مطمئن آن.

آیا Grok همین حالا در حال یادگیری از چت‌های من است؟

مدل هنگام گفتگو با شما تغییر نمی‌کند؛ وزن‌های آن پس از پایان آموزش ثابت هستند. در طول یک چت از پیام‌های شما به عنوان زمینه استفاده می‌کند و در چت جدید هیچ پیش‌زمینه‌ای از آن‌ها ندارد.

چرا مدل‌های مختلف هوش مصنوعی پاسخ‌های متفاوتی می‌دهند؟

آن‌ها روی داده‌های مختلف، به روش‌های گوناگون و با اهداف متفاوتی آموزش دیده‌اند. بخش مقایسه‌های ما درباره Grok و مدل‌های دیگر، و صفحه Grok چیست، جایگاه خانواده Grok را بررسی می‌کنند.

چه کسی Grok را می‌سازد؟

مدل Grok توسط xAI ساخته شده است که در فوریه ۲۰۲۶ توسط SpaceX خریداری شد. وب‌سایت ما مستقل است و از مدل‌های Grok از طریق API ابری استفاده می‌کند؛ ما وابستگی به xAI، SpaceX یا X نداریم. در صفحه تاریخچه Grok می‌توانید خط زمانی رویدادها را ببینید.