مدل زبانی بزرگ یا LLM چیست؟
مدل زبانی بزرگ یا LLM مخفف عبارت Large Language Model است و به عنوان یک برنامه تخصصی هوش مصنوعی محسوب می شود. این مدل زبانی می تواند با سایر مجموعه داده های پیچیده ترکیب شده و آن ها را به صورت حرفه ای و دقیق تفسیر کند. به همین دلیل می توان گفت که LLM بر پایه الگوریتم های یادگیری ماشین کار می کند و به عنوان یک شبکه عصبی به نام ترانسفومر توسعه پیدا می کند. یکی از ویژگی های منحصر به فرد مدل زبانی بزرگ این است که برای درک بهتر رابطه بین حروف و کلمات و جملات و … از یک نوع الگوریتم یادگیری ماشین عمیق (deep learning) استفاده می کند. به همین دلیل این مدل زبانی بزرگ می تواند داده های حجیم را به صورت خودکار آنالیز و تجزیه و تحلیل کرده و روابط بین داده ها را به راحتی کشف کند. در نتیجه فرایند پردازش زبان طبیعی، ترجمه، تشخیص تصاویر و … با دقت و سرعت بسیار خوبی انجام می شود. به طور کلی اکثر مدل های زبانی روی چند پتا بایت داده از جمله داده های متنی، تصویری، و همچنین صفحات سایت، مجلات، کتاب ها و … آموزش داده می شود. در نهایت نیز توسعه دهندگان LLM مجموعه داده های مختلف را پردازش کرده و محتواهای نادرست یا نژاد پرستانه و … را از آن حذف می کنند.
بیشتر بخوانید: چت بات سازمانی | chat bot هوشمند فارسی برای سازمان ها و موسسات
مختصری درباره تاریخچه مدل های زبانی
به طور کلی فرایند ساخت و پیاده سازی ماشین هایی که زبان انسان را درک می کنند، با پیشرفت و رشد در زمینه پردازش زبان طبیعی (NLP) شکل گرفت. این مدل های اولیه در ابتدا توانایی و قابلیت خوبی در درک کردن جملات پیچیده نداشتند. اما پس از آن در دهه 90 میلادی انقلاب گسترده ای در زمینه یادگیری عمیق به وجود آمد و پس از آن در سال 2000 میلادی الگوریتمهای بهینه تری طراحی و توسعه داده شدند که این الگوریتم ها شامل شبکه های عصبی بازگشتی (RNN)، شبکه های حافظه بلند مدت و کوتاه مدت (LSTM) و … هستند و وجود آن ها باعث بهبود عملکرد مدل ها در درک جملات شد.
پس از آن در طی یک دهه پیش تاکنون ابزار هوش مصنوعی، قابلیت و توانایی بسیار ویژه ای در انجام محاسبات، و دسترسی به حجم داده های متنی دارد. همین موضوع سبب شده مدل های زبانی فعلی به آسانی بتوانند روابط بین کلمات را تشخیص دهد. همچنین این موضوع سبب شده که بسیاری از کاربران انتظار داشته باشند تا شکل تعامل بین انسان و رایانه نیز تحول یابد.
علاوه بر این، رشد و پیشرفت در تاریخچه مدل های زبانی سبب شده که هزینه پیاده سازی و استفاده از مدل زبانی LLM به صورت پیوسته کاهش پیدا کرده است. بدین صورت که ارزیابی محصولات در سال 2020 میلادی با استفاده از GPT 2 حدود 10 هزار دلار هزینه داشت. در صورتی که امروزه GPT4 نتایجی مشابه را با هزینه 3000 دلار ارائه می کند. در نتیجه می توان گفت که این روند باعث شده که مدل زبانی LLM به عنوان مدلی مقرون به صرفه و اقتصادی تلقی شود.
نحوه کار LLM
بر اساس تعریف مدل زبانی بزرگ یا همان LLM می توان گفت که یک نوع مدل ماشینی پیشرفته در زمینه پردازش زبان طبیعی است که با استفاده از شبکه های عصبی پیچیده، توانایی درک و تولید متون مشابه با زبان انسان را دارد. اما ویژگی مهم این مدل زبانی عملکرد و نحوه کار منحصر به فرد آن است. نحوه کار LLM بر پایه سه مفهوم مهم شامل یادگیری عمیق، شبکه های عصبی و مدل های ترنسفورمر متکی و به شرح زیر است:
یادگیری عمیق
مجموعه های داده ای که مدل زبانی با استفاده از آن آموزش داده می شود، چند هزار ترابایت است و این مجموعه کورپوس نام دارد. در مرحله اول، آموزش یادگیری بدون نظارت و با داده های بدون برچسب صورت می گیرد. بدین صورت که مدل زبانی اولیه به صورت مستقل رابطه بین کلمات و مفاهیم را کشف می کند. پس از آن قدم بعدی تنظیم دقیق مدل با استفاده از روش یادگیری خود نظارتی است. در این سطح از آموزش، ابتدا بخشی از داده ها برچسب گذاری شده و با استفاده از آن ها مدل می تواند به صورت دقیق تر مفاهیم مختلف را شناسایی و درک کند.
مدل زبانی بزرگ (LLM) با تکیه بر یادگیری عمیق و آموزش دادن دیتاها، قابلیت و توانایی استنتاج خواهد داشت . بدین صورت که مدل پس از تحلیل کردن میلیاردها جمله مختلف درک می کند که منظور از یک کلمه خاص در جمله چیست؟ برای مثال این مدل زبانی درک می کند، منظور از لفظ دایی در عبارتی که مربوط به فوتبال است، با معنای آن در مورد روابط فامیلی فرق دارد.
شبکه های عصبی
نکته مهم دیگر این است که برای یادگیری عمیق ، مدل های زبانی بر پایه شبکه های عصبی ساخته می شوند . در واقع عملکرد این شبکه های عصبی همانند مغز انسان است که از نورون های به هم چسبیده تشکیل شده و و سیگنال ها را به یک دیگر ارسال می کنند. بدین صورت که شبکه عصبی مصنوعی نیز از شبکه های متصل به یک دیگر از گره هایی تشکیل شده و هر شبکه نیز از چند لایه تشکیل می شود که شامل لایه میانی، لایه ورودی و لایه خروجی است. نکته مهم در مورد عملکرد شبکه های مصنوعی این است که این لایه ها در صورتی اطلاعات را به یک دیگر منتقل می کنند که دقت خروجی آن ها از یک محدوده مشخص فراتر رفته و عبور کند.
مدل های ترنسفورمر
به شبکه های عصبی به کار رفته در مدل های زبانی بزرگ، ترنسفورمر می گویند. یکی از ویژگی های مهم در مورد این مدل ها این است که توان درک کردن و یادگیری بافت متون را دارند. در واقع این شبکه های عصبی به دلیل درک و یادگیری بافت متون، می توانند زبان انسان را با دقت بیشتری درک کنند. علاوه بر این، مدل های ترنسفورمر بر پایه مکانیزم های ریاضی خود توجهی (Self – attention) می توانند روابط ظریف بین عناصر موجود در یک توالی را درک کنند.
مدل ترنسفورمر نیز دارای دو لایه انکودر و دیکودر است که در آن هر آیتم خاص با نام توکن شناخته می شود و به هر آیتم نیز یک وزن داده می شود. عملکرد این لایه ها بدین صورت است که لایه انکودر ورودی ها را دریافت کرده و سپس آن ها را به صورت مرحله به مرحله به کدهای داخلی تبدیل می کند. همچنین لایه دیکودر نیز با توجه به این که از لایه های عصبی تشکیل شده ، کدهای دریافتی را بر اساس دستور العمل هایی مشخص به خروجی نهایی و مورد نظر تبدیل می کند.
برای مثال عملکرد مدل های ترنسفورمر بدین صورت است که اگر هدف ترجمه کردن متن فارسی به انگلیسی باشد، لایه انکودر ابتدا متن فارسی را به نمایش برداری از توکن ها تبدیل کرده و سپس لایه دیکودر از این بردار برای تولید متن انگلیسی استفاده می کند.
بیشتر بخوانید: انویدیا | قیمت و خرید محصولات برند NVIDIA (کارت گرافیک انویدیا)
انواع مدل های LLM
مدل های زبانی بزرگ به عنوان یک دستاورد مهم در زمینه هوش مصنوعی محسوب می شود و حتی در طی سال های اخیر نیز رشد و پیشرفت ویژه ای هم داشته است. به طور کلی انواع مدل های LLM بر اساس معماری، منبع داده ها و روش های آموزش و … به چند دسته مختلف تقسیم می شوند. از جمله انواع مدل های LLM می توان به موارد مهم و مختلف زیر اشاره کرد:
یکی از رایج ترین مدل های زبانی LLM، چت جی پی است که از روش و مکانیزم Attention برای درک معنای کلمات و روابط بین آن ها استفاده می کند. امروزه در حال حاضر از نسخه های GPT 3.5 ئ GPT 5 که توسط کمپانی OPEN AI طراحی و توسعه داده شده، استفاده می شود. گویا نسخه GPT 3.5 دارای 175 میلیارد پارامتر است و به همین دلیل قابلیت بسیار خوبی در ترجمه متون، تولید متون، پاسخ دهی به سوالات کاربران دارد.
T5
یکی دیگر از مدل های زبانی بزرگ که توسط شرکت گوگل توسعه داده شده، مدل T5 است. این مدل زبانی قابلیت تفسیر و تولید متون تخصصی را دارد. علاوه بر این، یکی از ویژگی های جالب این مدل زبانی، استفاده از هوش مصنوعی و شبکه های عصبی برای ترجمه، پرسش و پاسخ، و همچنین تفسیر کردن است و در این زمینه توانایی بسیار مطلوبی دارد.
BERT
مدل زبانی BERT را می توان به عنوان یکی از بهترین شاهکارهای منحصر به فرد شرکت گوگل معرفی کرد. این مدل زبانی قابلیت و توانایی منحصر به فردی در زمینه تشخیص الگوهای زبانی داشته و وظایفی نظیر تشخیص احساسات، ترجمه ماشینی و تفسیر متون و اطلاعات مختلف دارد. از مدل زبانی BERT در حال حاضر در ابزارهای مختلفی نظیر موتور جستجوی گوگل، نرم افزار Word، و سایر پرژوه های تحقیقاتی و استارتاپی مورد استفاده قرار می گیرد.
مدل XLNet
مدل XLNet یکی دیگر از دستاوردهای ویژه شرکت گوگل است که بر پایه مدل bert طراحی و توسعه داده شده و به نوعی هدف آن برطرف کردن ایرادات مدل BERT است. این مدل زبانی بزرگ نیز توانایی بسیار خوبی در درک عمیق ارتباطات زبانی داشته و در سرویس های مختلف و متنوعی مورد استفاده قرار می گیرد. از جمله کاربردهای مدل زبانی XLNet می توان GPT-2، کتابخانه Hugging Face Transformers و انواع محصولات نرم افزاری را نام برد.
کاربردهای Large Language Models
بر اساس عملکرد منحصر به فرد و دقیقی که مدل های زبانی بزرگ دارند، از آن ها می توان برای انجام وظایفی خاص و منحصر به فرد استفاده کرد. چون به راحتی امکان آموزش دادن مدل های مختلف برای استفاده و کاربردهای مختلف وجود دارد. از جمله کاربردهای مهم Large Language Models می توان به موارد مهم زیر اشاره کرد:
یکی از بهترین و شناخته شده ترین کاربردهای مدل زبانی بزرگ به عنوان هوش مصنوعی عاملی یا مولد است که در مدل های جمینای گوگل یا همان chat GPT مورد استفاده قرار می گیرد. در واقع در این مدل زبانی، زمانی که یک ترامپت به سیستم ارسال می شود، یک متن را به صورت پاسخ تولید کرده و نمایش می دهد.
تولید محتوا
یکی دیگر از کاربردهای اصلی و مهم LLM، قابلیت تولید محتوا و تولید متن روی کلیه متونی است که LLM روی آن ها آموزش دیده است. در واقع عملکرد این مدل زبانی بدین صورت است که کاملا متناسب با نیاز و درخواست و سوال کاربر و با همان زبان و لحن به او پاسخ می دهد. برای مثال پاسخ سوال یک کودک 6 ساله با یک استاد دانشگاه از نظر این مدل زبانی متفاوت است و جواب های متفاوتی هم ارائه می کند.
ترجمه
مدل های زبانی بزرگ که روی چند زبان مختلف آموزش دیده اند، امکان ترجمه متون از یک زبان به زبان دیگر وجود دارد. برای مثال جمینای گوگل یا CHAT GPT، قابلیت ترجمه کردن متون فارسی به زبان های دیگر با دقت قابل قبول و مناسبی را دارد.
خلاصه کردن محتوا
یکی دیگر از کاربردهای مهم LLM که مورد توجه محققین و دانشجویان در حوزه های مختلف قرار گرفته، قابلیت خلاصه کردن محتوا است. با استفاده از مدل های زبانی می توانید نکات مهم یک متن طولانی و حتی کتاب را به تعداد پاراگراف های مورد نیاز تحلیل و خلاصه کند.
بازنویسی محتوا
یکی دیگر از قابلیت های بسیار مهم در مدل زبانی بزرگ، قابلیت بازنویسی محتوا است که با استفاده از آن می توانید بخشی از محتوا را بازنویسی یا خلاصه کنید. برای مثال در صورتی که قصد نوشتن مقاله انگلیسی را دارید و به این زبان به اندازه کافی ندارید، می توانید با استفاده از chat GPT ایرادات نگارشی و املایی را به صورت کامل ادیت کنید.
تحلیل داده ها
با استفاده از مدل های زبانی آموزش داده شده می توانید برای تحلیل کردن مقالات و موضوعات اجتماعی، اقتصادی، یا پزشکی و … استفاده کنید. برای مثال در صورتی که در حوزه های تخصصی مانند معاملات مالی و پیش بینی نوسانات بازار، تجزیه و تحلیل پرونده های پزشکی، تحلیل رسانه های اجتماعی و درک احساسات عمومی نسبت به محصولات و خدمات مختلف درک درستی ندارید، می توانید از این قابلیت استفاده کنید.
چت بات سازمانی
مدل های زبانی بزرگ با دقت و عملکرد ویژه ای که دارد، امکان مکالمه کردن با کاربران را به صورت تعاملی فراهم می کند. این مدل زبانی در مقایسه با سایر زبان های دیگر بهبود و توسعه یافته است. علاوه بر این، نسخه جدید Chat GPT با تحلیل دقیق لحن کاربر، شرایط روحی و عواطف او پاسخ های دقیق تری هم ارائه می کند.
پرسش و پاسخ
با استفاده از مدل زبانی اختصاصی LLM می توانید پاسخ سوالات تخصصی و چالش برانگیز را پیدا کنید. برای مثال از این قابلیت می توانید پاسخ سوالات مشتریان را پیدا کنید و حتی گزارش های تحلیلی آماده نمایید.
بیشتر بخوانید: بهترین کارت های گرافیک مناسب برای هوش مصنوعی
مزایا و خصوصیات مهم LLM
طراحی و توسعه مدل های زبانی به گونه ای است که می توان آن را به عنوان مهم ترین و یک پدیده منحصر به فرد در عصر حاضر معرفی کرد. به طور کلی استفاده از مدل های زبانی LLM مزایای ویژه ای دارد که به شرح زیر است:
قابلیت توسعه و انطباق پذیری
یکی از مهم ترین مزایای استفاده از مدل های زبانی بزرگ این است که قابلیت توسعه و انطباق پذیری بر اساس نیاز و کاربردهای مورد نظر دارد. بدین صورت که می توانید به مدل زبانی تغذیه و اطلاعات مورد نیاز را بدهید و از آن برای کاربردهای خاص و سازمانی استفاده کنید.
انعطاف پذیری بالا
مدل های زبانی بزرگ را می توان در برنامه های کاربردی در سازمان ها و شرکت های مختلف و بر اساس کاربردهای اختصاصی مورد استفاده قرار داد.
قابلیت یادگیری
LLM ها زمانی که در معرض داده ها و بازخوردهای جدید قرار گیرند، نکات جدید و بیشتری یاد می گیرند و سپس آن را با این یادداشت های جدید سازگار می کنند. بنابراین برای وظایف خاص و با انعطاف پذیری بالا می توان از آن ها به راحتی استفاده کرد.
عملکرد سریع
یکی دیگر از مزایای ویژه و منحصر به فرد LLM این است که عملکرد سریعی داشته و پاسخ سوالات کاربران با با دقت و سرعت بسیار مطلوب را ارائه می کنند. برای مثال در صورتی که در حوزه برنامه نیوسی کار می کنید، به جای صرف یک روز زمان، می توانید در عرض چند دقیقه کدهای مورد نظرتان را دریافت و از آن استفاده کنید.
دقت بالا
با وجود این که هوش مصنوعی در حال حاضر در ابتدای مسیر یادگیری و توسعه است، اما خوشبختانه پارامترهای مختلفی به آن افزوده می شود. همین ویژگی سبب شده که دقت بسیار بالایی در پاسخ گویی به مشتریان داشته باشد.
سهولت در آموزش
مدل های زبانی بزرگ را بر اساس نیاز و کاربردهای خاص می توان به صورت اختصاصی آموزش داد. در نتیجه می توان از آن ها در فرایندهای آموزشی هم استفاده کرد.
بهره وری عالی
مدل زبانی بزرگ به دلیل عملکرد دقیق و سریعی که دارد، تاثیر قابل توجهی در افزایش بهره وری و کاهش صرف زمان برای جستجو دارد.
معایب و چالش های مدل های زبانی بزرگ
استفاده از مدل های زبانی بزرگ به دلیل این که اول راه هستند و به تازگی طراحی و توسعه داده شده اند، ممکن است دارای معایب و چالش هایی هم باشند. معایب و چالش های LLM به شرح زیر است:
هزینه بالا
اجرا شدن مدل های زبانی هوش مصنوعی در ابعاد CHAT GPT به توان های پردازشی سنگین و بسیار دقیقی نیاز دارد. همین فرایند باعث به وجود آمدن هزینه های زیادی برای شرکت های کوچک و نوپا می شود.
هزینه های عملیاتی زیاد
علاوه بر بالا بودن هزینه های اجرای مدل های زبانی، مدل های زبانی بزرگ برای فرایند آموزش و توسعه دادن نیز هزینه های زیادی به همراه دارند. این هزینه ها نیز ممکن است برای برخی از سازمان ها زیاد باشد.
سوگیری
یکی دیگر از چالش هایی که زمان استفاده از داده های برچسب گذاری شده در LLM ممکن است با آن مواجه شوید، سوگیری است. بدین صورت که مدل های زبانی و هوش مصنوعی ممکن است افراد سیاه پوست و آفریقایی تبار را در مقایسه با سفید پوستان بیشتر به عنوان مجرم شناسایی کند.
توهم
توهم در عملکرد هوش مصنوعی زمانی رخ می دهد که یک مدل زبانی پاسخ نادرست و اشتباه ارائه کند و این پاسخ جز داده های آموزش داده شده نباشد . برای مثال هوش مصنوعی ممکن است به عنوان منبع کتاب یا منبعی را معرفی کرد که وجود خارجی ندارد.
پیچیدگی در عیب یابی
انواع مدل های زبانی از انواع پارامترهای مختلف برای ارائه پاسخ های دقیق تر استفاده می کنند. این فناوری ها بسیار پیچیده و پیشرفته هستند و عیب یابی کردن از آن ها بسیار پیچیده و زمان بر است.
وجود توکن های مخرب
از سال 2020 میلادی متاسفانه توکن های مخربی وارد کار شدند تا عملکرد مدل های زبانی و هوش مصنوعی را دچار اختلال کنند. این موضوع نیز به یک چالش مهم برای کاربران و به ویژه توسعه دهندگان تبدیل شده است.
نیاز به سرور هوش مصنوعی
برای استفاده و پیاده سازی هوش مصنوعی در ابعاد بزرگ، به سرورهای هوش مصنوعی پیچیده و پیشرفته ای نیاز است و این سرورها هزینه های سرسام آور و زیادی دارند.
خطرات امنیتی برای کاربران
در برخی موارد کاربران برای افزایش بهره وری هوش مصنوعی داده های محرمانه و امن خود را در قالب داده های زبانی بارگذاری می کنند. مدل های زبانی از این داده ها برای بهبود پاسخ دهی استفاده می کنند. برای مثال ممکن است این داده های محرمانه به عنوان یک پاسخ جدید به کاربران دیگر نمایش داده شود.
بیشتر بخوانید: سرور هوش مصنوعی و سرور گرافیکی | راهنمای خرید و قیمت AI and GPU Server
نمونه هایی از مدل زبانی بزرگ
CHAT GPT را می توان در حال حاضر به عنوان یکی از شناخته شده ترین مدل های زبانی بزرگ معرفی کرد که قابلیت ها و کاربردهای گسترده و مختلفی دارد. با این وجود مدل های زبانی بزرگ دیگری نیز وجود دارد که هر کدام دارای ویژگی ها و کاربردهای متنوعی بوده و به شرح زیر هستند:
- گوگل جمینای (GEMINI)
- OPEN AI (Chat GPT)
- متا Liama
- کلود (claude)
- فالکون
جمع بندی
در این مطلب به صورت کامل و تخصصی در مورد مدل زبانی بزرگ (LLM) و تاثیر آن در هوش مصنوعی صحبت شد. بر اساس موارد ذکر شده باید گفت که مدل های زبانی با استفاده از داده های اختصاصی و شبکه های مصنوعی می توانند زبان انسانی را درک و پردازش کنند. به همین دلیل در حال حاضر امروزه از این داده های زبانی در موارد مختلف و حتی سازمان های بزرگ به صورت گسترده از آن استفاده می کنند. برای کسب اطلاعات تخصصی و بیشتر می توانید با کارشناسان شرکت مکسا که شرکتی فعال در ارائه انواع خدمات هوش مصنوعی است، در تماس باشید.
سوالات متداول
پردازش زبان طبیعی در LLM چیست؟
منظور از پردازش زبان طبیعی (NLP) در LLM این است که مدل زبانی بزرگ می تواند متن را به داده های قابل فهم برای ماشین تبدیل کند و بالعکس و سپس پاسخ های معنی دار و دقیق ارائه نماید.
پیش آموزش در LLM چیست؟
منظور از پیش آموزش در LLM یعنی مرحله ای که با استفاده از حجم بسیار زیادی از متون، کتاب، مقالات، و … آموزش می بیند تا از این طریق الگوها ، معنی واژه ها و ساختار زبان ها را درک کند.
فاز پیش آموزش در LLM چیست؟
فاز پیش آموزش در LLM یک مرحله است که طی آن مدل های زبانی برای اولین بار حجم زیادی از داده های متنی را آموزش می بینند تا بتوانند با استفاده از آن قواعد زبان ها، معنای کلمات و ارتباط بین واژه ها را درک کنند.
پرامپت در LLM چیست؟
پرامپت همان ورودی یا دستور متنی است که کاربر به مدل زبانی می دهد تا هوش مصنوعی قابلیت تولید و ارائه پاسخ را داشته باشد.
شبکه های عصبی مصنوعی در LLM چیست؟
شبکه های عصبی مصنوعی در LLM به عنوان ساختار اصلی آن محسوب می شوند و به مدل زبانی قابلیت و توانایی یادگیری و درک زبان ها را می دهند.
ترنسفورمر در LLM چیست؟
ترنسفورمر معماری اصلی شبکه عصبی LLM است که به صورت دقیق معنی کلمات را درک کرده و با درک زبان طبیعی انسان، روابط بین کلمات را از طریق مکانیزم Attention درک می کند.
آیا LLMها میتوانند خود را بهبود بخشند؟
مدل های زبانی به صورت خودکار و مستقل نمی توانند خود را بهبود دهند. بلکه به صورت غیر مستقیم می توانند در فرایند بهینه سازی توسط انسان ها مشارکت داشته باشند.
آیا LLM ها، مهندسان سریع در سطح انسان هستند؟
خیر. مدل های زبانی در دست مهندسان انسانی نیستند، صرفا می توانند به عنوان یک مهندس کمک یار به انسان ها کمک کنند.
آموزش LLM و استفاده از آن سخت است؟
به طور کلی استفاده از LLM آسان و سریع صورت می گیرد و سخت نیست. اما آموزش دادن و توسعه آن توسط کاربران معمولی و برای کاربردهای خاص و کارهای سخت پیچیده و زمان بر و سخت است.
LLM مخفف چیست؟
LLM مخفف عبارت Large Language Model و به معنای مدل زبانی بزرگ است و به عنوان یک مدل هوش مصنوعی با حجم عظیمی از داده های مختلف آموزش داده شده است.
آیا مدل زبانی بزرگ فارسی هم داریم؟
بله. مدل های زبانی بزرگ برای زبان فارسی هم وجود دارد و از آن ها برای پردازش زبان طبیعی، تفسیر متون فارسی و … استفاده می شود. این مدل های زبانی شامل ParsBERT، FARSI GPT، ARYA GPT و HooshvareLab models و … است.
