وقتی دربارهٔ مدل‌های هوش مصنوعی صحبت می‌کنیم، معمولاً تمرکز روی LLMهای عمومی است؛ اما در یک سیستم واقعی ممکن است اصلاً منطقی نباشد تمام وظایف را به یک مدل بزرگ بسپاریم. یک معماری خوب می‌تواند از چند مدل تخصصی استفاده کند.
مدل‌های مخصوص برنامه‌نویسی
مدل Coding فقط قرار نیست یک تابع JavaScript تولید کند. در پروژه‌های جدی‌تر باید بتواند Repository را درک کند، چند فایل را تغییر دهد، خطا را تحلیل کند و در بعضی موارد با Terminal یا ابزارهای دیگر کار کند.
خانواده‌هایی از Qwen، DeepSeek، GLM و مدل‌های Fine-tune شدهٔ مخصوص Code برای چنین سناریوهایی استفاده می‌شوند. اگر هدف شما ساخت Coding Agent است، صرفاً Benchmark تولید کد کافی نیست؛ توانایی Tool Calling، Context Management و کار با Repository اهمیت زیادی دارد.
مدل‌های Reasoning
بعضی مدل‌ها برای حل مسئله، برنامه‌ریزی چندمرحله‌ای و تحلیل طراحی شده‌اند. استفاده از چنین مدلی برای تمام درخواست‌ها لزوماً منطقی نیست؛ مثلاً برای طبقه‌بندی یک ایمیل به «فروش»، «پشتیبانی» یا «مالی»، استفاده از یک مدل Reasoning بزرگ می‌تواند صرفاً هزینه و Latency را افزایش دهد.
یک معماری بهتر می‌تواند درخواست‌های ساده را به مدل کوچک و مسائل پیچیده را به مدل قوی‌تر Route کند.
مدل‌های Vision
Vision Language Model یا VLM علاوه بر متن، تصویر را نیز دریافت می‌کند. این مدل‌ها می‌توانند برای بررسی سند اسکن‌شده، Screenshot نرم‌افزار، تصاویر محصول، نمودار و حتی Interface برنامه مورد استفاده قرار بگیرند. Gemma 4 نمونه‌ای از خانواده‌های open-weight است که ورودی متن و تصویر را پشتیبانی می‌کند. GLM-5.3-Flash و DeepSeek V4.1 Flash نیز با قابلیت‌های multimodal معرفی شده‌اند.
مدل Embedding
برای RAG معمولاً نیازی نیست از LLM برای پیدا کردن اسناد مرتبط استفاده کنیم. مدل‌های Embedding متن را به Vector تبدیل می‌کنند تا شباهت معنایی میان متن‌ها قابل محاسبه شود. این مدل‌ها اغلب بسیار کوچک‌تر از LLM هستند. جزئیات بیشتر در Embedding و Vector Database چیست؟ آمده است.
Speech-to-Text
اگر پروژه با فایل صوتی یا مکالمه سروکار دارد، یک مدل Automatic Speech Recognition می‌تواند صوت را به متن تبدیل کند و سپس متن به LLM داده شود. این معماری معمولاً انعطاف بیشتری نسبت به سپردن همهٔ وظایف به یک مدل واحد دارد.
Text-to-Speech
در جهت عکس، مدل TTS پاسخ متنی را به صوت تبدیل می‌کند. ترکیب STT + LLM + TTS پایهٔ بسیاری از Voice Agentها را تشکیل می‌دهد.
مدل‌های Reranker
Reranker یکی از بخش‌هایی است که در سیستم‌های RAG گاهی فراموش می‌شود. Retriever ممکن است مثلاً ۳۰ سند مرتبط پیدا کند؛ Reranker دوباره این نتایج را بررسی کرده و مرتبط‌ترین موارد را در رتبه‌های بالاتر قرار می‌دهد. این کار می‌تواند کیفیت Context نهایی را افزایش دهد.
مدل‌های کوچک برای Router
لزومی ندارد اولین مدلی که درخواست کاربر را دریافت می‌کند یک مدل بسیار قدرتمند باشد. یک مدل کوچک می‌تواند تشخیص دهد درخواست دربارهٔ Code، تصویر، جستجو، Support یا موضوع دیگری است و بعد درخواست به مدل تخصصی مناسب منتقل شود. این الگو را معمولاً Model Routing می‌نامند.
معماری Multi-Model
یک سیستم AI واقعی می‌تواند چنین مسیری داشته باشد:
- Voice → STT
- Text → Router
- Coding → Coding Model
- سؤال سازمانی → RAG
- تصویر → Vision Model
- پاسخ صوتی → TTS
در چنین معماری‌ای دیگر سؤال اصلی «بهترین مدل چیست؟» نیست؛ سؤال بهتر این است: بهترین مدل برای این مرحلهٔ مشخص از Pipeline چیست؟
اگر قصد انتخاب زیرساخت را دارید، بهترین مدل‌های Self-Hosted و Cloud یا Self-Hosted یا Hybrid نیز مکمل این مقاله هستند.