برای تعیین سقف مصرف
مصرف هر عضو بر حسب توکن شمرده میشود؛ سقفی که مدیر سازمان برای هر نفر میگذارد روی همین شمارش مینشیند.
واژه نامه هوش مصنوعی به فارسی
این صفحه ۱۶ اصطلاح پرکاربرد هوش مصنوعی را به فارسی توضیح می‌دهد: توکن، پنجره متن، پرامپت، عامل، بازیابی، توهم، دمای تولید و چند تای دیگر. هر اصطلاح یک معادل فارسی دارد و یک جمله توضیح؛ هرجا که به کار کردن با تیز ربط دارد، همان‌جا گفته شده است.
- تعداد اصطلاح
- ۱۶ مورد، هر کدام با معادل فارسی
- چهار کلمه پرکاربرد
- توکن، پنجره متن، عامل، توهم
- مخاطب
- مدیر و کاربر غیرفنی، نه مهندس
- هزینه اشتراک
- شخصی از ۱٬۹۰۰٬۰۰۰ تومان در ماه؛ سازمانی از ۲٬۹۰۰٬۰۰۰ تومان برای هر عضو
چرا این چند کلمه به کار مدیر می‌آید
اصطلاح‌های این حوزه تقریباً همه انگلیسی‌اند و در جلسه‌های فارسی هم به همان شکل گفته می‌شوند. نتیجه این است که دو نفر سر یک میز درباره «توکن» حرف می‌زنند و یکی آن را واحد مصرف می‌فهمد و دیگری چیزی شبیه کلمه. این صفحه برای همان لحظه نوشته شده است.
برای بازبینی پاسخ
«توهم» نام مشخصی برای خطایی است که با لحن مطمئن گفته میشود؛ وقتی اسم دارد، بازبینی‌اش هم قاعده پیدا میکند.
برای خواندن یک پیشنهاد فنی
وقتی کسی از «آموزش اختصاصی مدل» حرف می‌زند، بدانید از چه چیزی حرف می‌زند: تغییر خود مدل، نه دادن فایل به مدل در گفتگو.
شانزده اصطلاح، با معادل فارسی
| اصطلاح | به فارسی | یعنی چه |
|---|---|---|
| token | توکن | واحد شمارش متن برای مدل؛ طول گفتگو و مصرف هر عضو بر حسب همین شمرده میشود، نه بر حسب کلمه. |
| context window | پنجره متن | بیشترین متنی که مدل در یک نوبت پیش چشم دارد؛ چون بی‌نهایت نیست، گفتگوی طولانی در تیز به‌طور خودکار فشرده میشود تا ادامه پیدا کند. |
| prompt | پرامپت، یا درخواست | همان چیزی که شما تایپ می‌کنید؛ هرچه روشن‌تر بگویید چه می‌خواهید، خروجی نزدیک‌تر است. |
| system prompt | دستور سیستمی | متن ثابتی که پیش از پیام شما به مدل داده میشود و نقش و قاعده‌های کار را تعیین میکند؛ شما آن را نمی‌نویسید و معمولاً نمی‌بینید. |
| model | مدل | خود برنامه‌ای که پاسخ را میسازد؛ تیز چند خانواده مدل را در یک انتخابگر جمع کرده است (مدل‌های در دسترس). |
| LLM | مدل زبانی بزرگ | نام عمومی این خانواده از مدل‌ها؛ در متن فارسی معمولاً کوتاه‌شده و «مدل» گفته میشود. |
| inference | اجرای مدل، یا استنتاج | لحظه‌ای که مدل برای درخواست شما پاسخ تولید میکند؛ مصرفی که به حساب هر عضو نوشته میشود همین‌جا ساخته میشود. |
| agent | عامل | مدلی که جز نوشتن، ابزار هم به کار میگیرد: فایل میخواند، وب را جستوجو میکند یا کد اجرا میکند. |
| tool use و MCP | به‌کارگیری ابزار و پروتکل اتصال آن | راه استانداردی که مدل از آن به ابزار بیرونی وصل میشود؛ اتصال تیز به اودو از همین جنس است. |
| RAG یا retrieval | بازیابی و پاسخ از روی متن | پیش از پاسخ، متن مرتبط پیدا و همراه پرسش به مدل داده میشود؛ در تیز وقتی فایلی را پیوست می‌کنید متن همان فایل کنار پرسش شما می‌رود. |
| embedding | بردار معنایی | تبدیل یک تکه متن به رشته‌ای از عددها، تا جستوجو بر پایه معنا کار کند نه تطبیق حرف‌به‌حرف کلمه. |
| fine-tuning | آموزش اختصاصی مدل | تغییر دادن خود مدل با دادههای سازمان؛ کار سنگینی است و با «دادن فایل به مدل در گفتگو» یکی نیست. |
| hallucination | توهم | وقتی مدل چیزی را با لحن مطمئن میسازد که درست نیست؛ برای همین جستوجوی وب نشانی منبع را کنار پاسخ میگذارد. |
| temperature | دمای تولید | تنظیمی که تنوع پاسخ را کم و زیاد میکند؛ پایین‌تر یعنی پاسخ یکنواخت‌تر و قابل‌پیش‌بینی‌تر. |
| multimodal | چندرسانه‌ای | مدلی که جز متن، تصویر را هم میخواند؛ به همین دلیل میشود عکس یک صفحه اسکن‌شده را در گفتگو گذاشت. |
| sandbox | محیط ایزوله اجرا | جایی که کد تحلیل داده اجرا میشود: بدون دسترسی به شبکه، با فایل‌سیستم فقط‌خواندنی، سقف حافظه و کتابخانه‌هایی که از پیش نصب شده‌اند. |
حافظه سازمانی و قالب‌های مشترک مفهوم جدایی هستند و در حافظه و قالب‌های مشترک توضیح داده شده‌اند.
یک جمله پر از اصطلاح، خط‌به‌خط
جمله زیر شکل رایج چیزی است که در یک پیشنهاد فنی می‌خوانید. چهار اصطلاح دارد و هر چهار تا در جدول بالا آمده‌اند.
این جمله را ساده کن: «عامل ما با بازیابی (RAG) روی اسناد شما کار میکند، پنجره متن بلندی دارد و نیازی به آموزش اختصاصی مدل ندارد.»
همان جمله، بدون اصطلاح
- عامل: مدلی که جز نوشتن ابزار هم به کار میگیرد؛ مثلاً فایل میخواند یا وب را جستوجو میکند.
- بازیابی روی اسناد شما: پیش از پاسخ، بخش مرتبط از سندها پیدا و همراه پرسش به مدل داده میشود.
- پنجره متن بلند: در یک نوبت متن بیشتری پیش چشم مدل است؛ باز هم بی‌نهایت نیست و گفتگوی طولانی سرانجام فشرده میشود.
- بدون آموزش اختصاصی مدل: خود مدل با دادههای شما تغییر نمی‌کند؛ متن فقط در لحظه پاسخ به آن داده میشود.
این نمونه از پیش آماده شده است و گفتگوی زنده نیست.
کدام را فارسی بگوییم و کدام را نه
چند معادل در فارسی جا افتاده‌اند و بی‌دردسر به کار می‌روند؛ چند تای دیگر هنوز جا نیفتاده‌اند و اگر فارسی‌شان را بگویید طرف مقابل مکث میکند. قاعده عملی ساده است: در متن رسمی معادل فارسی را بنویسید و یک بار شکل انگلیسی را در پرانتز بیاورید.
- جا افتاده و بی‌ابهام: مدل، پنجره متن، حافظه، جستوجو، محیط ایزوله
- معمولاً انگلیسی گفته میشود: پرامپت، توکن، RAG، MCP، embedding
- ترجمه‌اش بیش از یک شکل دارد: عامل در برابر دستیار خودکار، توهم در برابر خطای ساختگی
یک نکته جدا از واژه‌ها: فارسی‌نویسی درست خود مدل هم موضوع جداگانه‌ای است. تیز به هر نوبت فارسی یک دستور کوتاه فارسی‌نویسی می‌افزاید که نیم‌فاصله و ی و ک فارسی را بخواهد. ۲۴ شهریور ۱۴۰۵ روی پاسخ‌های ذخیره‌شده شمردیم: شمار نیم‌فاصله‌های جاافتاده در هر ۱٬۰۰۰ نویسه فارسی برای GLM 5.3 Flash حدود ۴۶ و برای DeepSeek V4.1 Flash حدود ۲۰ بود؛ شرح روش در سنجش کیفیت فارسی مدل‌ها آمده است.
مرز کار
- این توضیح‌ها ساده‌شده‌اند. برای بحث فنی دقیق، تعریف‌های اینجا کافی نیستند و قرار هم نبوده باشند.
- معادل‌های فارسی استاندارد رسمی ندارند؛ آنچه اینجا آمده رایج‌ترین شکل است، نه تنها شکل درست.
- هر سازنده مدل بعضی از این واژه‌ها را کمی متفاوت به کار می‌برد، پس در سند فروشنده همان سند را ملاک بگیرید.
- این صفحه یاد نمیدهد چطور درخواست بهتری بنویسید؛ فقط می‌گوید هر کلمه یعنی چه.
- دانستن این واژه‌ها چیزی را در کار مدل عوض نمی‌کند: مدل‌ها بیرون از سازمان شما اجرا می‌شوند و متنی که در گفتگو می‌گذارید برای گرفتن پاسخ به همان‌ها میرسد؛ شرح مسیر داده در امنیت و داده است.
سؤال‌های پرتکرار
توکن چیست و چرا مصرف بر حسب آن شمرده میشود؟
توکن واحدی است که مدل متن را با آن میشمارد و معمولاً کوچکتر از یک کلمه است. ورودی و خروجی هر نوبت گفتگو بر حسب توکن شمرده میشود، پس متن طولانیتر مصرف بیشتری دارد، و سقفی که مدیر سازمان برای هر عضو تعیین میکند روی همین شمارش مینشیند. قیمت اشتراک اما ماهانه و ثابت است: مصرف بیشتر فقط سقف را زودتر پر میکند و هزینه اضافهای ندارد.
پنجره متن پر میشود؟ گفتگوی طولانی چه میشود؟
بله، پنجره متن هر مدل اندازه مشخصی دارد و یک گفتگوی طولانی در نهایت به آن میرسد. در تیز نوبت‌های قدیمی‌تر به‌طور خودکار فشرده می‌شوند تا همان رشته گفتگو ادامه پیدا کند. یعنی بخش‌های قدیمی به‌صورت خلاصه در دسترس مدل است، نه کلمه‌به‌کلمه.
فرق آموزش اختصاصی مدل با دادن فایل به مدل چیست؟
آموزش اختصاصی یعنی خود مدل با دادههای سازمان تغییر کند؛ کاری سنگین و پرهزینه که تیز انجامش نمیدهد. دادن فایل در گفتگو یعنی متن همان فایل کنار پرسش شما به مدل میرسد و پاسخ از روی آن ساخته میشود. برای بیشتر کارهای اداری، همین دومی کافی است.
توهم مدل را چطور میشود کم کرد؟
مطمئنترین راه این است که پاسخ به متنی تکیه داشته باشد که خودتان دادهاید: فایل را پیوست کنید یا از جستوجوی وب استفاده کنید که نشانی منبع را کنار پاسخ میگذارد. برای عدد و نام و تاریخ، منبع را باز کنید و ببینید. توهم با هیچ تنظیمی صفر نمیشود.
این اصطلاح‌ها را در مکاتبه اداری فارسی بنویسیم یا انگلیسی؟
در متن رسمی معادل فارسی را بنویسید و بار اول شکل انگلیسی را در پرانتز بیاورید؛ از آن به بعد فارسی کافی است. برای چند واژه مثل پرامپت و توکن، شکل انگلیسی آن‌قدر رایج است که ترجمه‌اش بیشتر از خودش توضیح لازم دارد.
عامل با یک ربات گفتگوی ساده چه فرقی دارد؟
ربات گفتگوی ساده فقط متن مینویسد. عامل جز نوشتن ابزار هم به کار میگیرد: فایل میخواند، وب را جستوجو میکند، کد را در محیط ایزوله اجرا میکند یا در سامانه دیگری رکورد میسازد. هر ابزار مرز خودش را دارد؛ مثلاً اتصال اودو میتواند رکورد بسازد و ویرایش کند، اما حذف و بایگانی برایش بسته است و هر فراخوانی، مجاز یا ردشده، ثبت میشود.
ادامه بدهید
انتخاب مدل هوش مصنوعی برای هر کارکدام کار با کدام مدل، و چرا برای بیشتر کارها همان پیش‌فرض «تیز» کافی است.هوش مصنوعی فارسی نویس و مشکل نیم‌فاصلهسنجش ما از نیم‌فاصله‌های جاافتاده، و کاری که تیز درباره‌اش میکند.حافظه هوش مصنوعی برای تیم و قالب‌های مشترکنکته‌ها و قالب‌های سازمان یک‌بار نوشته می‌شوند و بارها به‌کار می‌آیند.
تیز به کار شما می‌آید؟
قیمت‌ها را ببینید یا درخواست بدهید؛ برای راه‌اندازی با شما تماس می‌گیریم. ثبت درخواست رایگان است.