# فصل ۰۷ — شکافِ فارسی-انگلیسی

<div dir="rtl">

# فصل ۰۷ — شکافِ فارسی-انگلیسی

## 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.

![دو دستهٔ کاغذِ کاملاً نابرابر که به یک دستگاهِ خوانندهٔ واحد خورانده می‌شوند؛ یک دسته بلند و انبوه، دستهٔ دیگر کوتاه و نازک — نشان‌دهندهٔ اینکه مدل از یک زبان بسیار بیشتر از زبانِ دیگر خوانده](/lesson-assets/t4-s07-persian-gap/prompt/01-image-language-gap.png)

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 `token` شکسته می‌شود، و فارسی معمولاً به `token`های بیشتری از انگلیسی خرد می‌شود.
- **از فصل ۲ همین ترم:** معنا در مدل به‌صورتِ مختصات در فضای `embedding` نمایش 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 `token`های 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 `token`های 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:

</div>

```text
فرقِ latency و bandwidth را با یک مثالِ روزمره توضیح بده. این دو را با هم قاطی نکن.
```

<div dir="rtl">

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):

</div>

```text
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.
```

<div dir="rtl">

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:

</div>

```text
Explain the difference between latency and bandwidth with an everyday analogy.
Keep them clearly separate.
```

<div dir="rtl">

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 `token`ِ 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:

</div>

```text
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.
```

<div dir="rtl">

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:

</div>

```text
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.
```

<div dir="rtl">

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.

> 🧪 **آزمایشگاه:** [آزمایشگاه این فصل را باز کن](/lab/embed/hamhoosh/term-4-under-the-hood/session-07-persian-gap) — یک سؤالِ تخصصیِ خودت را کنارِ هم فارسی و انگلیسی بپرس و دو جواب را جفت‌به‌جفت مقایسه کن؛ بعد ترفندِ «پُل از انگلیسی» را امتحان کن و ببین جوابِ فارسی چقدر بهتر می‌شود.

## 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

**تمرین اجباری:** یک موضوعِ تخصصی که برایت مهم است بردار و همان یک سؤال را دو بار بپرس: یک بار فارسی، یک بار انگلیسی. دو جواب را کنارِ هم بگذار و در چند جمله بنویس کجا جوابِ انگلیسی دقیق‌تر یا کامل‌تر بود، و آیا جوابِ فارسی جایی چیزی را ساده‌سازیِ اشتباه کرد یا دو مفهوم را قاطی کرد.

**تمرین ستاره‌دار ⭐:** همان سؤالِ فارسی را این‌بار با ترفندِ «پُل از انگلیسی» بپرس (اول انگلیسی، بعد ترجمهٔ فارسی). جوابِ تازه را با جوابِ فارسیِ اولت مقایسه کن و بنویس آیا شکاف بسته شد. بعد یک ادعای واقعیِ همان جواب را با یک منبعِ مستقل وارسی 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.

</div>

---
Source: https://yaadestan.com/courses/hamhoosh/lessons/t4/s07-persian-gap (یادستان, Yaadestan)
