مدل‌های متن‌باز برای سازمان: Llama، Qwen، DeepSeek و ملاحظات مجوز، امنیت و فارسی

در دو سال اخیر، مدل‌های زبانی «باز» از یک گزینه آزمایشی به انتخابی جدی برای سازمان‌ها تبدیل شده‌اند. خانواده‌هایی مانند Llama از Meta، Qwen از Alibaba، DeepSeek، Mistral و Gemma از Google وزن‌های خود را منتشر کرده‌اند و هر سازمانی می‌تواند آن‌ها را دریافت کند و روی سرور خود اجرا کند. برای سازمان‌های ایرانی که با محدودیت دسترسی به سرویس‌های تجاری خارجی و نگرانی جدی درباره خروج داده روبه‌رو هستند، این مدل‌ها جذابیت ویژه‌ای دارند.

اما «بی‌هزینه دانلود کردن» با «بی‌هزینه و بی‌دردسر استفاده کردن» یکی نیست. مجوز استفاده، اندازه مدل و سخت‌افزار لازم، کیفیت واقعی در زبان فارسی و ریسک‌های امنیتی زنجیره تأمین، چهار پرسشی هستند که پیش از انتخاب باید به آن‌ها پاسخ داد. این مقاله معیارهای این انتخاب را مرور می‌کند. هدف ما رتبه‌بندی قطعی مدل‌ها نیست؛ این حوزه هر چند ماه یک‌بار تغییر می‌کند و هر رتبه‌بندی ثابتی به‌سرعت کهنه می‌شود. به‌جای آن، چارچوبی می‌دهیم که با آن بتوانید هر مدل تازه‌ای را هم ارزیابی کنید.

«متن‌باز» یا «وزن‌باز»؟ تفاوتی که مهم است

اصطلاح «مدل متن‌باز» در گفت‌وگوهای روزمره برای همه مدل‌هایی به کار می‌رود که وزن‌هایشان منتشر شده است. اما از نظر دقیق، بسیاری از این مدل‌ها وزن‌باز (Open-Weight) هستند، نه متن‌باز به معنای کامل:

• وزن‌باز: فایل وزن‌های مدل منتشر شده و می‌توانید آن را اجرا کنید، اما داده آموزشی و گاهی کد کامل آموزش منتشر نشده و مجوز ممکن است محدودیت‌هایی داشته باشد.
• متن‌باز کامل: علاوه بر وزن‌ها، کد و اطلاعات کافی درباره داده و روش آموزش منتشر شده و مجوز آن آزادی‌های رایج نرم‌افزار متن‌باز را می‌دهد.

برای سازمان، مهم‌ترین پیامد این تفاوت، مجوز است. پیش از هر چیز باید بدانید با چه شرایطی اجازه استفاده دارید. مفاهیم پایه مدل‌های زبانی را در مقاله مدل زبانی بزرگ چیست توضیح داده‌ایم.

معیار اول: مجوز استفاده تجاری

مجوز خانواده‌های مختلف یکسان نیست و حتی در یک خانواده، نسخه‌ها ممکن است مجوز متفاوتی داشته باشند. وضعیت کلی در زمان نگارش این مقاله به این صورت است (حتماً متن مجوز نسخه مورد نظر را از منبع رسمی بخوانید):

چند پرسش که باید واحد حقوقی به آن‌ها پاسخ دهد:

1. آیا استفاده تجاری و داخلی سازمانی مجاز است؟
2. آیا فهرست «استفاده‌های ممنوع» با کاربرد ما تعارض دارد؟
3. آیا مجوز درباره کاربران یا کشورهای خاص محدودیت یا ابهامی دارد؟
4. آیا اجازه داریم مدل را تغییر دهیم یا مدل مشتق‌شده بسازیم؟
5. آیا الزام نمایش نام یا ذکر منبع وجود دارد؟

مجوزهای استاندارد مانند Apache 2.0 و MIT معمولاً کمترین ابهام را دارند؛ مجوزهای اختصاصی باید با دقت بیشتری خوانده شوند.

معیار دوم: اندازه و سخت‌افزار

مدل‌های باز در اندازه‌های بسیار متفاوت منتشر می‌شوند؛ از کمتر از یک میلیارد پارامتر تا صدها میلیارد. اندازه مدل مستقیماً تعیین می‌کند به چه سخت‌افزاری نیاز دارید:

برای بسیاری از کاربردهای اداری، مدل متوسط همراه با یک لایه جستجو و بازیابی خوب، نتیجه‌ای بهتر از مدل بزرگ بدون بازیابی می‌دهد. جزئیات برآورد سخت‌افزار و گام‌های استقرار را در راهنمای مدل زبانی محلی آورده‌ایم.

معیار سوم: کیفیت فارسی

بیشتر مدل‌های باز بزرگ عمدتاً روی داده انگلیسی و چینی آموزش دیده‌اند و فارسی سهم کوچکی از داده آموزشی آن‌هاست. در نتیجه:

• ممکن است متن فارسی را درست بفهمند اما فارسی نوشتاری رسمی را با اشکال تولید کنند.
• در اصطلاحات اداری و حقوقی ایرانی ضعیف‌تر باشند.
• با نیم‌فاصله، اعداد فارسی و نام‌های خاص مشکل داشته باشند.
• مصرف توکن برای متن فارسی بیشتر از انگلیسی باشد که هم هزینه و هم طول متن قابل پردازش را تحت تأثیر قرار می‌دهد.

برای مقایسه عمومی، جدول‌های رتبه‌بندی فارسی مانند Open Persian LLM Leaderboard منتشرشده توسط PartAI مرجع مفیدی هستند؛ اما نتیجه این جدول‌ها جایگزین آزمون شما نیست. مدلی که در یک آزمون عمومی امتیاز بالایی دارد، ممکن است در خلاصه‌سازی نامه‌های اداری سازمان شما عملکرد متوسطی داشته باشد. مرور مدل‌های فارسی و نسخه‌های تنظیم‌شده برای فارسی را در مقاله مدل‌های زبانی فارسی ببینید.

یک آزمون ساده فارسی

برای هر مدل نامزد، این پنج کار را با نمونه واقعی امتحان کنید:

1. خلاصه یک نامه اداری دو صفحه‌ای در سه جمله.
2. استخراج تاریخ، مبلغ و طرفین از یک قرارداد.
3. پاسخ به پرسشی از روی یک بند آیین‌نامه داخلی.
4. نگارش پیش‌نویس پاسخ رسمی به یک نامه.
5. پاسخ به پرسشی که جوابش در سند نیست (آیا مدل می‌گوید نمی‌دانم؟).

معیار چهارم: امنیت و زنجیره تأمین مدل

فایل وزن یک مدل، نرم‌افزاری است که از بیرون وارد سازمان می‌شود و مانند هر نرم‌افزار دیگری ریسک دارد. فهرست OWASP Top 10 for LLM Applications، آسیب‌پذیری زنجیره تأمین را یکی از ریسک‌های اصلی برنامه‌های مبتنی بر مدل زبانی می‌داند. نمونه‌هایی از این ریسک:

فایل‌های آلوده یا دست‌کاری‌شده

برخی قالب‌های قدیمی ذخیره مدل می‌توانند هنگام بارگذاری کد اجرا کنند. نسخه‌ای که از منبع غیررسمی دانلود شده، ممکن است دست‌کاری شده باشد. بهتر است مدل را فقط از صفحه رسمی سازنده دریافت کنید و قالب‌های امن‌تر مانند safetensors را ترجیح دهید.

مدل‌های مشتق‌شده ناشناخته

در مخازن عمومی هزاران نسخه تنظیم‌شده از مدل‌های معروف وجود دارد. منشأ، داده آموزشی و رفتار بسیاری از آن‌ها روشن نیست. استفاده سازمانی از چنین نسخه‌هایی بدون بررسی، ریسک‌پذیر است.

رفتارهای پنهان یا سوگیری

مدل ممکن است در برخی موضوعات سوگیری یا محدودیت‌های از پیش تعیین‌شده داشته باشد. آزمون رفتار مدل در موضوعات مرتبط با کار سازمان، بخشی از ارزیابی است.

ابزارهای پیرامونی

ابزارهای اجرای مدل، کتابخانه‌ها و رابط‌های وب هم آسیب‌پذیری‌های خود را دارند. به‌روزرسانی منظم و محدود کردن دسترسی شبکه‌ای به آن‌ها ضروری است.

چک‌لیست انتخاب مدل باز

• [ ] متن مجوز نسخه دقیق مدل را خوانده‌ایم و واحد حقوقی تأیید کرده است.
• [ ] اندازه مدل با سخت‌افزار موجود یا قابل تأمین سازگار است.
• [ ] کیفیت فارسی را با پنج کار نمونه واقعی آزموده‌ایم.
• [ ] مدل را از منبع رسمی و در قالب امن دریافت کرده‌ایم.
• [ ] برای به‌روزرسانی نسخه مدل و آزمون مجدد برنامه داریم.
• [ ] دسترسی به سرویس مدل با احراز هویت و در شبکه تفکیک‌شده محدود است.
• [ ] مدل به جستجو، کنترل دسترسی و ارجاع به منبع متصل است، نه به‌تنهایی.

مدل باز به‌تنهایی محصول نیست

داشتن یک مدل خوب روی سرور، تنها یک جزء از راهکار است. برای اینکه کارکنان بتوانند از آن برای کار روزانه استفاده کنند، به رابط کاربری، اتصال به نامه‌ها و اسناد، فیلتر دسترسی بر اساس نقش، ارجاع به منبع، ثبت سابقه برای ممیزی و پشتیبانی نیاز است. همچنین سیاست استفاده کارکنان از ابزارهای عمومی باید روشن باشد؛ موضوعی که در مقاله ریسک داده در استفاده از ChatGPT در محل کار بررسی کرده‌ایم.

اشتباه‌های رایج

• انتخاب بر اساس هیاهوی رسانه‌ای: مدلی که این هفته خبرساز است، لزوماً برای کار شما بهترین نیست.
• نادیده گرفتن مجوز: فرض اینکه «باز» یعنی «بدون شرط».
• دانلود از منابع غیررسمی: برای سرعت یا دور زدن محدودیت دانلود.
• مقایسه فقط با آزمون‌های عمومی انگلیسی: بدون آزمون فارسی با داده واقعی.
• انتظار کیفیت مدل‌های تجاری برتر از مدل کوچک: بدون پذیرفتن مصالحه بین کیفیت و هزینه.

رویکرد آریا آی‌تی

در آریا آی‌تی، قابلیت‌های هوش مصنوعی روی سرورهای مشتری یا سرورهای آریا آی‌تی مستقر می‌شود و داده سازمان به مدل‌های عمومی اینترنت فرستاده نمی‌شود. دستیار هوش مصنوعی سازمانی پاسخ را فقط از داده مجاز سازمان با ارجاع به منبع می‌دهد. نام مدلی که در هر استقرار به کار می‌رود و سخت‌افزار مورد نیاز به‌صورت عمومی اعلام نشده و بر اساس نیاز و زیرساخت هر سازمان در مشاوره بررسی می‌شود؛ همچنین آریا آی‌تی سرویس جداگانه آموزش یا تنظیم دقیق مدل ارائه نمی‌کند. برای ارزیابی زیرساخت و استقرار، خدمات پیاده‌سازی را ببینید.

جمع‌بندی

مدل‌های باز امکان اجرای هوش مصنوعی بدون وابستگی به سرویس خارجی را فراهم می‌کنند، اما انتخاب درست آن‌ها به چهار معیار بستگی دارد: مجوز روشن برای استفاده تجاری، اندازه متناسب با سخت‌افزار، کیفیت آزموده‌شده در فارسی و امنیت زنجیره تأمین. به‌جای دنبال کردن رتبه‌بندی‌های روز، یک آزمون ثابت با داده واقعی سازمان بسازید و هر مدل تازه را با آن بسنجید.

---

مشاوره رایگان: برای بررسی گزینه‌های استقرار هوش مصنوعی روی زیرساخت سازمانتان، با کارشناسان آریا آی‌تی در ارتباط باشید یا درخواست پایلوت دستیار (پلن سازمانی) را ثبت کنید.