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
اصطلاحی پیدا نشد. واژهی دیگری امتحان کنید.