در این فصل چه یاد میگیری#
شاید حس کرده باشی که دستیارِ هوش مصنوعیات وقتی انگلیسی میپرسی کمی باهوشتر میشود — جوابِ دقیقتر، مثالِ بهتر، اشتباهِ کمتر. این حس توهم نیست؛ یک واقعیتِ فنی پشتش هست. این فصل میگوید چرا مدلها انگلیسیمحورند، این شکاف از کجا میآید (از دادهٔ آموزشی، از token و از embedding که ترمهای قبل دیدی)، و مهمتر از همه: چطور همین حالا، بدونِ هیچ ابزارِ خاصی، کیفیتِ فارسیِ خروجی را بالا ببری. این یکی از عملیترین فصلهای کلِ دوره برای یک فارسیزبان است.

آخر این فصل میتوانی:
- توضیح بدهی چرا مدلها در انگلیسی قویتر از فارسیاند — از ریشهٔ دادهٔ آموزشی
- تشخیص بدهی کِی بهتر است سؤالت را انگلیسی بپرسی و بعد ترجمه کنی
- با چند ترفندِ ساده، کیفیتِ جوابِ فارسی را بهطرزِ محسوسی بالا ببری
- یک شکافِ کیفیت را بینِ جوابِ فارسی و انگلیسیِ یک سؤال، خودت ببینی
قبل از شروع#
- از ترم ۱ فصل ۳: متن به
tokenشکسته میشود، و فارسی معمولاً بهtokenهای بیشتری از انگلیسی خرد میشود. - از فصل ۲ همین ترم: معنا در مدل بهصورتِ مختصات در فضای
embeddingنمایش داده میشود؛ نزدیکیِ معنا یعنی نزدیکیِ مختصات. - از فصل ۶ همین ترم: مدلِ کوچکِ محلی از مدلِ بزرگِ ابری ضعیفتر است، و این ضعف در فارسی بیشتر خودش را نشان میدهد.
مثل بقیهٔ فصلهای آزمایشگاهی، فقط یک مرورگر و دستیارِ هوش مصنوعیات (با کلیدِ رایگانِ خودت) لازم داری.
۱. ریشه: مدل هرچه دیده، بیشترش انگلیسی بوده#
یادت هست مدل چطور یاد میگیرد؟ در pretraining حجمِ عظیمی از متن را میبلعد و الگوهایش را برمیدارد. حالا سؤالِ ساده: آن متن به چه زبانی بوده؟ بخشِ بزرگِ متنِ نوشتهشدهٔ در دسترس — کتاب، مقاله، سایت، مستندات — انگلیسی است. فارسی سهمِ بسیار کوچکتری دارد.
نتیجه مستقیم است: مدل الگوهای انگلیسی را از دلِ نمونههای بیشمار برداشته، و الگوهای فارسی را از نمونههای خیلی کمتر. برای هر مفهوم، برای هر لحن، برای هر سبکِ نوشتن، مدل در انگلیسی بسیار بیشتر از فارسی «تمرین» دیده. سازندهها ترکیبِ دقیقِ دادههایشان را منتشر نمیکنند، پس عددِ دقیقی برای این نسبت نیست. همین کافی است که در انگلیسی روانتر، دقیقتر و کماشتباهتر باشد. این نه غرضِ سازنده است نه نقصِ زبانِ فارسی، فقط بازتابِ آن چیزی است که مدل خوانده.
💡 نکته: این یعنی هرچه موضوعت تخصصیتر و کمیابتر باشد، شکاف بزرگتر است. برای یک احوالپرسیِ ساده فارسی و انگلیسی تقریباً یکیاند؛ برای یک بحثِ فنیِ باریک، جوابِ انگلیسی معمولاً بهوضوح جلوتر است.
۲. چرا فارسی گرانتر تمام میشود: token#
بخشی از شکاف به token برمیگردد. یادت هست که مدل متن را به token میشکند و فارسی بهخاطرِ خطِ متصل و پیشوند-پسوندهایش، معمولاً به تکههای ریزتر و بیشتری خرد میشود. یک جملهٔ فارسی و ترجمهٔ انگلیسیاش که معنایشان یکی است، در فارسی tokenهای بیشتری میگیرند.
این دو اثر دارد. اول: فارسی زودتر context window را پر میکند، همان حافظهٔ کوتاهمدتی که فصل ۳ دیدی، پس در گفتوگوی بلندِ فارسی، مدل زودتر ابتدای بحث را از یاد میبرد. اندازهٔ این اختلاف به مدل بستگی دارد و در مدلهای تازهتر کمتر شده است. دوم: یک حدسِ معقول این است که وقتی معنا روی tokenهای بیشتری پخش میشود، کارِ مدل برای گرفتنِ همان معنا سختتر است. این دومی را بهعنوانِ توضیحِ محتمل بخوان، نه یک واقعیتِ اندازهگیریشده؛ اثرِ اصلی همچنان کمبودِ دادهٔ فارسی است.
۳. معنا کجا غنیتر چیده شده: embedding#
حالا لایهٔ عمیقتر. در فصل ۲ دیدی که مدل معنا را بهصورتِ مختصات در فضای embedding نگه میدارد و «نزدیکیِ معنا» را از نزدیکیِ همین مختصات میفهمد. این نقشهٔ معنا هم بیشتر از دلِ متنِ انگلیسی ساخته شده.
یعنی برای یک مفهوم، جای انگلیسیاش در نقشهٔ embedding معمولاً دقیقتر و پرجزئیاتتر نشسته، و کلمهٔ فارسیاش گاهی مثلِ یک لایهٔ نازکتر رویش میآید. برای همین وقتی نکتهای ظریف است — یک تفاوتِ باریک بینِ دو مفهوم، یک کنایه، یک لحنِ خاص — مدل در فارسی راحتتر آن ظرافت را از دست میدهد. ساختِ درونیاش در انگلیسی «تیزتر» است.
قبل از ادامه، جواب بده: اگر یک موضوع فقط در منابعِ انگلیسی مفصل نوشته شده و در فارسی تقریباً چیزی دربارهاش نیست، انتظار داری جوابِ فارسیِ مدل دربارهٔ آن بهتر باشد یا بدتر؟ چرا؟
۴. دموی واقعی: یک سؤال، دو زبان#
حالا خودت شکاف را ببین. یک سؤالِ کمی تخصصی را که آدمها زیاد قاطیاش میکنند برمیداریم: فرقِ latency و bandwidth در شبکه. اول فارسی بپرس:
فرقِ latency و bandwidth را با یک مثالِ روزمره توضیح بده. این دو را با هم قاطی نکن.
اینجا باید صادق باشیم، چون این فصل دربارهٔ اندازهگیری است نه شعار: روی یک مدلِ بزرگِ ابریِ امروزی، جوابِ فارسیِ این سؤال بهاحتمالِ زیاد درست درمیآید و دو مفهوم را هم تمیز جدا نگه میدارد. شکافِ فارسی-انگلیسی در چند سالِ اخیر روی این جنسِ سؤالها بسیار کم شده — و این خبرِ خوبی است که باید صریح گفته شود. ولی «کمشده» یعنی کمشده، نه بستهشده؛ جای بروزش عوض شده. جوابِ زیر همان لغزشِ کلاسیک است، تا اول ببینی شکل و شمایلِ خطا چیست (روی مدلِ بزرگ احتمالاً این را نمیگیری؛ روی یک مدلِ کوچکتر یا محلی، خیلی محتملتر است):
bandwidth یعنی سرعتِ اینترنت، یعنی چقدر سریع داده جابهجا میشود. latency هم یعنی
تأخیر و کندیِ اینترنت. هرچه اینترنت سریعتر باشد، هم bandwidth بیشتر است و هم
latency کمتر. مثل یک لولهٔ آب که هرچه بزرگتر باشد، آب سریعتر میآید.
این جواب بد نیست، ولی دو مفهوم را نرمنرمک به هم چسبانده: bandwidth را «سرعت» معنی کرده و آن را به latency گره زده، انگار یکیاند. دقیقاً همان اشتباهی که سؤال خواسته بود نکند. حالا عینِ همین سؤال را انگلیسی بپرس:
Explain the difference between latency and bandwidth with an everyday analogy.
Keep them clearly separate.
جوابِ انگلیسی معمولاً اینطور تمیزتر درمیآید: bandwidth مثلِ تعدادِ خطوطِ یک بزرگراه است (چند ماشین همزمان جا میشوند) و latency مثلِ زمانی که یک ماشین از این سر تا آن سرِ راه میرود. یک بزرگراهِ خیلی پهن میتواند latency بالا هم داشته باشد اگر مسیر دور باشد — پس این دو مستقلاند، نه یک چیز. همان ظرافتی که نسخهٔ فارسی از دست داد، اینجا سرِ جایش هست.
اگر این شکاف را دیدی، به دادهٔ آموزشی برمیگردد: latency و bandwidth در متنِ فنیِ انگلیسی بسیار بیشتر از فارسی توضیح داده شدهاند.
اگر هر دو جواب یکسان و درست بودند چه؟ خیلی محتمل است، و درسِ فصل را باطل نمیکند — فقط تو را مجبور میکند سنجهٔ دقیقتری بگذاری. شکاف را دیگر روی مفاهیمِ فنیِ مشهور نبین؛ سه جای دیگر بگرد که هنوز باز است. یک: موضوعهایی که در فارسی تقریباً هیچ متنِ باکیفیتی ندارند (یک زیرشاخهٔ تخصصی، یک استانداردِ صنعتی، یک بحثِ حقوقیِ محلی). دو: ظرافتهای خودِ زبانِ فارسی — یک ضربالمثلِ کمکاربرد، یک کنایه، تفاوتِ باریکِ دو کلمهٔ نزدیک، لحنِ ادبی در برابر محاوره. سه: هزینه و طول — همان جملهٔ فارسی tokenِ بیشتری میگیرد (ترم ۱ فصل ۳)، پس در گفتوگوهای طولانی زودتر به سقف میخوری. آزمایشِ عملی: یک موضوعِ باریک از حوزهٔ خودت بردار که مطمئنی منابعِ فارسیاش کم است، و همان دو زبان را روی آن امتحان کن. آنجا شکاف هنوز خودش را نشان میدهد.
✅ وارسی: هر توضیحی که مدل داد، چه فارسی چه انگلیسی، یک ادعای واقعی است و باید سنجیده شود؛ نمونهٔ فارسیِ بالا هم نشان داد مدل میتواند دو مفهوم را روان بههم بچسباند. یک تعریفِ کلیدی را بردار و با یک منبعِ مستقلِ معتبر (یک دایرةالمعارف یا مستندِ فنی) تطبیق بده. سه قانونِ ثابتِ این دوره: «اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمیشود درست باشد».
۵. چطور کیفیتِ فارسی را بالا ببری#
خبرِ خوب: لازم نیست انگلیسی بلد باشی تا از جوابِ باکیفیت بهره ببری. سه ترفندِ ساده بیشترِ شکاف را میبندند.
۱. پُل بزن از انگلیسی. برای یک موضوعِ تخصصی، از مدل بخواه اول انگلیسی فکر کند و بعد به فارسیِ روان برگرداند:
این را اول بهصورتِ کامل و دقیق به انگلیسی توضیح بده، بعد همان را به فارسیِ روان و
ساده ترجمه کن. اصطلاحهای latency و bandwidth را انگلیسی نگهدار، ترجمهشان نکن.
اینطور مدل از قدرتِ انگلیسیاش استفاده میکند ولی جوابِ نهایی را فارسی تحویلت میدهد. توجه کن که خواستیم اصطلاحها انگلیسی بمانند — چون همانطور که در کلِ دوره دیدی، ترجمهٔ اصطلاحِ فنی فقط دردسر اضافه میکند.
۲. زمینهٔ بیشتری بده. بخشی از ضعفِ فارسی با پرامپتِ دقیقتر جبران میشود. بهجای یک سؤالِ لخت، مخاطب، لحن و قالب را مشخص کن — همان درسِ ترم ۲:
برای یک نوجوان که تازه با شبکه آشنا میشود، فرقِ latency و bandwidth را با مثالِ
بزرگراه توضیح بده. حتماً تأکید کن که این دو مستقلاند و یکی نیستند. کوتاه و دقیق.
وقتی خودت مثال و قیدِ «مستقلاند» را دادی، مدل کمتر به آن اشتباهِ رایج میافتد.
۳. مدلِ درست را انتخاب کن. یادت باشد از فصل ۶: مدلِ کوچکِ محلی در فارسی بهطرزِ محسوسی ضعیفتر است. برای کارِ جدیِ فارسی، مدلِ بزرگِ ابری تفاوتِ زیادی میسازد. اگر جوابِ فارسیات مدام سطحی یا ناجور است، شاید مشکل از پرامپت نیست، از کوچکبودنِ مدل است.
💡 نکته: فارسی را برای وارسی هم بهکار بگیر — جوابِ انگلیسی را بگیر، بعد بخواه به فارسی خلاصهاش کند و توضیح دهد؛ اگر ترجمهٔ فارسی با چیزی که فهمیدی جور درنیامد، همانجا یک نشانهٔ خطاست.
۶. کِی فارسی، کِی انگلیسی؟#
قاعدهٔ سرانگشتی ساده است. فارسی بپرس وقتی موضوع روزمره، عمومی یا خودش فارسی-محور است (ادبیاتِ فارسی، یک نامهٔ فارسی، یک بحثِ فرهنگیِ محلی) — اینجا فارسی هم خوب جواب میدهد و طبیعیتر است. از انگلیسی پُل بزن وقتی موضوع تخصصی، فنی، علمی یا تازه است و میدانی بیشترِ منابعش انگلیسی است. و همیشه، در هر دو زبان، خروجی را وارسی کن؛ انگلیسیبودن جواب را روانتر میکند، نه لزوماً درستتر. یک توهمِ خوشبیان به انگلیسی هنوز یک توهم است.
تمرینها
اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.
در فصل بعد#
حالا میدانی شکافِ فارسی-انگلیسی از کجا میآید و چطور کمترش کنی — و این آخرین قطعهٔ «پشتِ پرده» بود. فصلِ بعد پروژهٔ پایانیِ این ترم است: یک نقشهٔ ذهنی میکشیم که نشان میدهد یک پاسخ چطور ساخته میشود، از لحظهای که prompt را میفرستی تا لحظهای که response بیرون میآید — و همهٔ مفاهیمِ این ترم (token، embedding، context window، RAG، عامل و بقیه) سرِ جای خودشان روی این نقشه مینشینند. وقتی این نقشه در ذهنت جا بیفتد، «پشتِ پرده» دیگر پرده نیست.
به آخر این فصل رسیدی!
اگر ساختی و جواب داد، این دکمه مال توست.