کدنماAI-Coding.irتازه‌های هوش مصنوعی و کدنویسی
دلار (تتر) ۲۷۰٬۳۵۴ تومانAVGO ۳۵۵٫۷۳ ▲ +۴٫۱٪AMD ۵۲۲٫۰۰ ▲ +۳٫۷٪AMZN ۲۶۷٫۳۰ ▲ +۳٫۷٪NVDA ۱۵۰٫۷۵ ▼ −۳٫۰٪SPCX ۱۴۳٫۹۷ ▲ +۱٫۶٪BABA ۸۵٫۲۷ ▼ −۱٫۶٪پرکاربردترین مدل برنامه‌نویسی DeepSeek V4.1 Flash 1017

آموزش

واژه‌نامه

اصطلاحاتی که در اخبار، جدول مدل‌ها و آموزش‌ها می‌بینید، به زبان ساده. هر جا آموزش مرتبط هست، پیوندش کنار تعریف آمده است.

آدرس پایه Base URL
نشانی ریشه‌ی API؛ مثلاً https://api.avalai.ir/v1. در تنظیمات ابزارها جایگزین نشانی OpenAI می‌شود. آموزش: اتصال ابزارهای کدنویسی به سرویس‌های ایرانی (API سازگار با OpenAI)
استنتاج Inference
اجرای مدل آموزش‌دیده برای تولید پاسخ. هزینه‌ی API در واقع هزینه‌ی استنتاج است.
امتیاز Elo آرنا Arena Elo
امتیازی بر پایه‌ی مقایسه‌ی رودررو که کاربران بین خروجی دو مدل انتخاب می‌کنند؛ مثل رتبه‌بندی شطرنج.
ایجنت (عامل) Agent
برنامه‌ای که مدل را در یک حلقه به کار می‌گیرد تا با ابزارها (خواندن فایل، اجرای فرمان، تست) کاری چندمرحله‌ای را انجام دهد؛ مثل Claude Code و Codex. آموزش: کار با ایجنت‌های خط فرمان: Claude Code، Codex، OpenCode و Aider
بردار معنایی Embedding
تبدیل متن به برداری از عددها، طوری که متن‌های هم‌معنا بردارهای نزدیک داشته باشند. برای جست‌وجوی معنایی و RAG. آموزش: پاسخ از روی مستندات خودتان با RAG
پارامتر فعال Active Parameters
تعداد پارامترهایی که در مدل MoE برای هر توکن به کار می‌رود؛ مثلاً «۳۰ میلیارد، فعال ۳ میلیارد». سرعت به این عدد بستگی دارد.
پاسخ جریانی Streaming
دریافت پاسخ کلمه‌به‌کلمه هم‌زمان با تولید، به‌جای منتظر ماندن برای کل پاسخ.
پایگاه داده‌ی برداری Vector Database
پایگاه داده‌ای که بردارها را ذخیره و نزدیک‌ترین‌ها را سریع پیدا می‌کند؛ مثل pgvector و Qdrant. آموزش: پاسخ از روی مستندات خودتان با RAG
پرامپت (دستور) Prompt
متنی که به مدل می‌دهید. پرامپت خوب برای کد شامل زمینه، هدف، محدودیت و معیار پذیرش است. آموزش: پرامپت‌نویسی برای برنامه‌نویس‌ها
پرامپت سیستمی System Prompt
دستورالعمل ثابتی که پیش از گفت‌وگو به مدل داده می‌شود و رفتار کلی آن را تعیین می‌کند؛ مثلاً «فقط فارسی پاسخ بده».
پردازش دسته‌ای Batch API
فرستادن درخواست‌های غیرفوری به‌صورت دسته‌ای با تخفیف (معمولاً حدود نصف قیمت) و تحویل در چند ساعت.
پرکردن میانه FIM — Fill-in-the-Middle
روشی که مدل با دیدن کد پیش و پس از مکان‌نما، وسط را کامل می‌کند. پایه‌ی تکمیل خودکار در ویرایشگرها. آموزش: دستیارهای ویرایشگر: Copilot، Cursor، Cline، Continue و Zed
پنجره‌ی زمینه Context Window
بیشترین مقدار متنی که مدل در یک درخواست می‌بیند: دستور، فایل‌های ضمیمه و تاریخچه‌ی گفت‌وگو. مدل از بیرون این پنجره خبر ندارد. آموزش: مدل زبانی چطور کد می‌نویسد؟ (بدون فرمول)
ترکیب متخصص‌ها MoE — Mixture of Experts
معماری‌ای که در هر گام فقط بخشی از پارامترها فعال است. مدل بزرگ با سرعت مدل کوچک‌تر، ولی همه‌ی وزن‌ها باید در حافظه باشند.
تزریق دستور Prompt Injection
دستورهای پنهان در متنی که ایجنت می‌خواند (صفحه‌ی وب، ایمیل، فایل) که می‌کوشد ایجنت را به کار ناخواسته وادارد. آموزش: امنیت و حریم خصوصی: چه چیزی را به مدل نفرستیم؟
تنظیم دقیق Fine-tuning
آموزش بیشتر یک مدل آماده روی داده‌ی خودتان. برای یاد دادن دانش، RAG معمولاً ساده‌تر و ارزان‌تر است.
توکن Token
واحد شکستن متن برای مدل. قیمت‌ها به ازای هر میلیون توکن اعلام می‌شود. متن فارسی معمولاً از انگلیسیِ هم‌اندازه توکن بیشتری مصرف می‌کند. آموزش: توکن چیست و هزینه‌ی واقعی را چطور حساب کنیم؟
توهم Hallucination
وقتی مدل با اطمینان چیزی نادرست می‌گوید؛ مثلاً تابع یا بسته‌ای را که وجود ندارد. با دادن مستندات و اجرای تست کم می‌شود. آموزش: مدل زبانی چطور کد می‌نویسد؟ (بدون فرمول)
چندوجهی Multimodal
مدلی که علاوه بر متن، تصویر، صدا یا ویدیو هم می‌فهمد؛ مثلاً از روی عکس طرح صفحه، کد رابط کاربری بسازد.
حافظه‌ی گرافیکی VRAM
حافظه‌ی کارت گرافیک؛ مهم‌ترین محدودیت برای اجرای مدل محلی. ماشین‌حسابش در صفحه‌ی متن‌باز است. آموزش: اجرای مدل متن‌باز روی سیستم یا سرور شخصی
حافظه‌ی KV KV Cache
حافظه‌ای که مدل برای نگه‌داشتن زمینه‌ی جاری مصرف می‌کند. زمینه‌ی طولانی‌تر و کاربر هم‌زمان بیشتر یعنی حافظه‌ی بیشتر.
خروجی ساخت‌یافته Structured Output / JSON Mode
وادار کردن مدل به پاسخ در قالب JSON معتبر با ساختار مشخص؛ برای استفاده‌ی خودکار از خروجی در برنامه.
دما Temperature
میزان تصادفی بودن خروجی. برای کد و کارهای دقیق مقدار پایین بهتر است؛ برای ایده‌پردازی مقدار بالاتر.
سازگار با OpenAI OpenAI-compatible API
API‌ای که همان قالب درخواست OpenAI را می‌پذیرد؛ پس با عوض کردن آدرس پایه و کلید، ابزارهای موجود به آن وصل می‌شوند. آموزش: اتصال ابزارهای کدنویسی به سرویس‌های ایرانی (API سازگار با OpenAI)
سقف درخواست Rate Limit (RPM / TPM)
حداکثر درخواست (RPM) یا توکن (TPM) در هر دقیقه. سرویس‌ها معمولاً با مصرف بیشتر سقف را بالا می‌برند.
فایل دستورالعمل پروژه AGENTS.md / CLAUDE.md
فایلی در ریشه‌ی پروژه که ایجنت‌ها در شروع کار می‌خوانند: فرمان‌های اجرا و تست، ساختار و قواعد پروژه. آموزش: دستورالعمل پروژه برای ایجنت‌ها و بازبینی امن کد تولیدشده
فراخوانی ابزار Tool / Function Calling
قابلیتی که مدل به‌جای پاسخ متنی، درخواست اجرای یک تابع با ورودی مشخص می‌دهد. پایه‌ی همه‌ی ایجنت‌ها. آموزش: ساخت یک ایجنت ساده با فراخوانی ابزار (Tool Calling)
کدنویسی حسی Vibe Coding
ساختن نرم‌افزار فقط با توصیف به زبان طبیعی و پذیرفتن خروجی ایجنت بدون خواندن دقیق کد. برای نمونه‌ی اولیه خوب است، برای محصول پرخطر. آموزش: از کجا شروع کنم؟ نقشه‌ی راه کدنویسی با هوش مصنوعی
کش پرامپت Prompt Caching
ذخیره‌ی بخش تکراری ابتدای درخواست‌ها نزد ارائه‌دهنده تا دفعه‌ی بعد بسیار ارزان‌تر حساب شود. برای ایجنت‌ها هزینه را چشمگیر کم می‌کند. آموزش: توکن چیست و هزینه‌ی واقعی را چطور حساب کنیم؟
کلید خودتان BYOK — Bring Your Own Key
ابزاری که اجازه می‌دهد کلید و سرویس دلخواه خودتان (مثلاً یک سرویس ایرانی) را به آن بدهید.
کلید API API Key
رمزی که درخواست‌های شما را شناسایی و هزینه را از حسابتان کم می‌کند. هرگز در کد یا مخزن گیت نگذارید. آموزش: امنیت و حریم خصوصی: چه چیزی را به مدل نفرستیم؟
کوانتیزه‌کردن Quantization
کم کردن دقت عددی وزن‌ها (مثلاً از ۱۶ به ۴ بیت) تا مدل حافظه‌ی کمتری بگیرد. کیفیت کمی پایین می‌آید ولی اجرا روی سخت‌افزار معمولی ممکن می‌شود. آموزش: اجرای مدل متن‌باز روی سیستم یا سرور شخصی
محیط ایزوله Sandbox
کانتینر یا ماشین مجازی جدا برای اجرای فرمان‌های ایجنت، تا اشتباه یا حمله به سیستم اصلی آسیب نزند. آموزش: امنیت و حریم خصوصی: چه چیزی را به مدل نفرستیم؟
مدل استدلالی Reasoning Model
مدلی که پیش از پاسخ، مسئله را مرحله‌به‌مرحله بررسی می‌کند. برای مسائل سخت دقیق‌تر است ولی کندتر و پرهزینه‌تر. آموزش: مدل زبانی چطور کد می‌نویسد؟ (بدون فرمول)
مدل زبانی بزرگ LLM — Large Language Model
مدلی که با پیش‌بینی تکه‌ی بعدی متن، می‌نویسد، کد می‌سازد و پاسخ می‌دهد. GPT، Claude، Gemini، Qwen و GLM همه مدل زبانی بزرگ‌اند. آموزش: مدل زبانی چطور کد می‌نویسد؟ (بدون فرمول)
میزان تلاش استدلال Reasoning Effort
تنظیمی در برخی مدل‌ها که مشخص می‌کند مدل چقدر پیش از پاسخ «فکر کند». تلاش بیشتر یعنی توکن خروجی و هزینه‌ی بیشتر.
وزن باز Open-weight
مدلی که فایل وزن‌هایش منتشر شده و می‌توانید روی سیستم خودتان اجرا کنید. همیشه به معنای متن‌باز بودن کامل (داده و کد آموزش) نیست. آموزش: اجرای مدل متن‌باز روی سیستم یا سرور شخصی
GGUF GGUF
قالب فایل رایج برای مدل‌های کوانتیزه‌شده که llama.cpp و Ollama اجرا می‌کنند.
Git Worktree Git Worktree
پوشه‌ی کاری جداگانه برای یک شاخه‌ی گیت؛ برای اجرای هم‌زمان چند ایجنت بی‌آنکه تغییرهایشان قاطی شود. آموزش: گیت و کار تیمی با ایجنت‌ها
MCP Model Context Protocol
استاندارد باز برای وصل کردن ایجنت‌ها به ابزارها و داده‌ها. سرویس یک سرور MCP ارائه می‌کند و هر کلاینت سازگار از آن استفاده می‌کند. آموزش: MCP چیست؟ وصل کردن ایجنت به ابزارها و داده‌ها
RAG Retrieval-Augmented Generation
پیدا کردن تکه‌های مرتبط از اسناد خودتان و گذاشتنشان در زمینه پیش از پرسیدن از مدل، تا پاسخ از روی همان اسناد باشد. آموزش: پاسخ از روی مستندات خودتان با RAG
SWE-bench SWE-bench
بنچمارکی که توانایی مدل در حل issueهای واقعی مخزن‌های گیت‌هاب را می‌سنجد. نسخه‌ی Pro دشوارتر و معتبرتر است. بیشتر بخوانید