نموذج اتدرّب على نصوص كتير عشان يتوقع الكلمة اللي هتيجي بعد كده. توليد النص = تكرار التوقع كلمة كلمة: "Today's weather is" ← "sunny" ← "and" ← "warm"...
لكل كلمة مرشحة بيحسب احتمال إنها تيجي بعدين ويختار على أساسه. الاحتمالات دي جاية من الأنماط اللي اتعلمها.
لأن النموذج بيختار الكلمة المحتملة إحصائياً مش الكلمة الصحيحة بالضرورة. فممكن يطلّع رد مقنع بس مخالف للحقائق. الخلاصة: الطلاقة ≠ الحقيقة، فلازم نراجع.
نموذج لغة مبني على شبكة عصبية ضخمة جداً اتدرّبت على نصوص هائلة من الإنترنت. "Large" يعني حجمين:
لما عدد parameters أو حجم البيانات يتخطى حجماً معيناً بتظهر قدرات جديدة نوعياً: استدلال معقد، تلخيص، ترجمة، كتابة كود. أمثلة: ChatGPT وClaude وGemini.
مجرد التعلم من نصوص هائلة ما بيضمنش ردود مناسبة للبشر (ممكن ما يفهمش قصد السؤال أو يطلّع محتوى مش مناسب). حل شائع: RLHF (Reinforcement Learning from Human Feedback):
قدرة نموذج واحد على التعامل مع أنواع بيانات متعددة (modalities): نص، صور، صوت، فيديو. مثال: يشوف صورة ويوصفها، يسمع صوت ويحوله لنص، ياخد تعليمات نصية ويولّد صورة.
ده ممكن لأن الشبكات العصبية بتحوّل أنواع البيانات لـ تمثيل رقمي مشترك.
| Language model | نموذج يتوقع الكلمة التالية |
| Hallucination | رد مقنع لكنه مخالف للحقيقة |
| LLM | نموذج لغة ضخم مدرَّب على نصوص هائلة |
| Parameter | قيمة (وزن) في الشبكة؛ العدد بالمليارات |
| RLHF | ضبط النموذج بتقييمات بشر كمكافآت |
| Multimodality | نموذج واحد يتعامل مع نص وصور وصوت |
| Modality | نوع بيانات واحد (نص/صورة/صوت) |
تطبيق تعليمي مستقل وغير تابع لوزارة التربية والتعليم. الكتاب المدرسي هو المرجع الأساسي. سياسة الخصوصية