# Kichik til modellari (SLM): batafsil sharh

> Kichik til modellari (SLM) haqida umumiy ma’lumot: ular qanday yaratilishi, afzalliklari va cheklovlari, amaliy qo‘llanishi, qurilmalarda ishlatish imkoniyatlari va nozik sozlash usullari.

Source: https://ailoot.ai/blog/uz/small-language-models-comprehensive-overview/
Canonical: https://ailoot.ai/blog/uz/small-language-models-comprehensive-overview/
Language: uz
Publisher: Ailoot (https://ailoot.ai/)
Translation: guide-100057
Revision: sha256-a3bed048e5d38a186a89b0a7f6ad23d39b430e29863ac719d4b3c16f02e88d26


So‘nggi bir necha yil sun’iy intellekt uchun juda shiddatli kechdi: katta til modellari (LLM) imkoniyatlari bilan barchani lol qoldirib, chatbotlardan tortib kod yozish yordamchilarigacha bo‘lgan ko‘plab vositalarga asos bo‘ldi. Biroq har bir ilovaga LLMlarning ulkan hajmi va murakkabligi kerak emas; ular talab qiladigan hisoblash quvvati ko‘plab foydalanish holatlarida amaliy yechim bo‘la olmaydi. Shu sababli kichik til modellari (SLM) paydo bo‘ldi: ular hajman kichik bo‘lgani uchun kuchli AI modellaridan foydalanishni osonlashtiradi.

Keling, SLM nima ekanini, ularni qanday kichraytirishlarini, afzalliklari va cheklovlarini, hayotda qanday qo‘llanishini hamda mobil va ish stoli qurilmalarida qanday ishlatilishini ko‘rib chiqamiz.

## Kichik til modellari nima?

Kichik til modellari (SLM) — bu smartfonlar, o‘rnatilgan tizimlar yoki kam quvvatli kompyuterlar kabi resurslari cheklangan muhitlarda samarali ishlash uchun yaratilgan an’anaviy til modellarining yengil versiyalari. Katta til modellarida yuzlab milliard, hatto trillionlab parametrlar bo‘lsa, SLMlar odatda **1 milliondan 10 milliardtagacha parametrga** ega. Ular ancha kichik bo‘lsa-da, matn yaratish, qisqacha bayon qilish, tarjima va savollarga javob berish kabi NLPning asosiy imkoniyatlarini saqlab qoladi.

> Ba’zi mutaxassislar «Kichik til modeli» atamasini yoqtirmaydi, chunki bir milliard parametr hecham kichik emas. Ular «Kichik katta til modeli» atamasini afzal ko‘rishadi, ammo bu juda chalkash eshitiladi. Lekin ko‘pchilik «Kichik til modeli» atamasini tanladi, demak, SLM deb ketaveramiz. Aytgancha, *u katta modellarga nisbatan kichik ekanini* yodda tuting.

## Ular qanday kichraytiriladi?

Til modelini kichraytirish jarayonida uning hajmini kamaytirishga, ammo unumdorligini ortiqcha pasaytirmaslikka qaratilgan bir necha usul qo‘llanadi:

1. **Bilimlarni distillatsiya qilish**: kattaroq «o‘qituvchi» modeldan uzatilgan bilimlardan foydalanib, kichikroq «o‘quvchi» modelni o‘qitish.
2. **Pruning**: neyron tarmoq arxitekturasidagi ortiqcha yoki unchalik muhim bo‘lmagan parametrlarni olib tashlash.
3. **Kvantlash**: hisob-kitoblarda ishlatiladigan sonli qiymatlarning aniqligini kamaytirish (masalan, suzuvchi nuqtali sonlarni butun sonlarga aylantirish).

## Kichik til modellariga misollar

Hajm hamma narsani belgilamasligini ko‘rsatadigan, kichik, ammo kuchli til modellari paydo bo‘ldi. Quyida 1–4 milliard parametr oralig‘idagi SLMlar keltirilgan:

- **Llama3.2-1B** — Meta tomonidan ishlab chiqilgan, chekka qurilmalar uchun optimallashtirilgan *1 milliard parametrli* variant.
- [**Qwen2.5-1.5B**](https://huggingface.co/Qwen/Qwen2.5-1.5B-Instruct) — Alibaba tomonidan yaratilgan, ko‘p tilli ilovalar uchun mo‘ljallangan, *1,5 milliard parametrli* model.
- **DeepSeeek-R1-1.5B** - Qwen2.5’dan distillatsiya qilingan, DeepSeek’ning *1,5 milliard parametrli* birinchi avlod mulohaza yuritish modeli.
- **SmolLM2-1.7B** — HuggingFaceTB’ning maxsus ochiq ma’lumotlar to‘plamlarida (FineMath, Stack-Edu va SmolTalk) o‘qitilgan, zamonaviy «kichik» til modeli (*1,7 milliard parametr*).
- **Phi-3.5-Mini-3.8B** — Microsoft’ning mulohaza yuritish va kod yaratish uchun optimallashtirilgan, *3,8 milliard parametrli* ixcham, ammo qudratli ochiq modeli.
- **Gemma3-4B** - Google DeepMind tomonidan ishlab chiqilgan, ko‘p tilli va multimodal, yengil, ammo kuchli *4 milliard parametrli* model.

Boshqa yanada kuchli kichik til modellari ham bor: **Mistral 7B**, **Gemma 9B** va **Phi-4 14B** (garchi 14 milliard parametrli Phi-4 hali ham «kichik» hisoblanadimi, bilmayman, lekin u juda qobiliyatli :)

## Kichik til modellarining afzalliklari

- **Hisoblash quvvatiga talab kam** — oddiy noutbuklar, chekka qurilmalar va mobil telefonlarda ishlay oladi.
- **Energiya sarfi kamroq** — samarali modellar quvvatni kamroq ishlatadi, bu esa ularni ekologik jihatdan qulay qiladi.
- **Tezroq inferens** — kichik modellar javoblarni tez yaratadi, bu real vaqt ilovalari uchun ayni muddao.
- **Qurilmadagi AI** — internetga yoki bulut xizmatlariga ulanish shart emas, bu maxfiylik va xavfsizlikni oshiradi.
- **Joriy etish xarajati arzonroq** — uskuna va bulut xarajatlari kamligi AI’ni startaplar va dasturchilar uchun qulayroq qiladi.
- **Moslashuvchanlik**: muayyan sohaga oid vazifalar uchun osongina nozik sozlash mumkin (masalan, yuridik hujjatlarni tahlil qilish).

## Kichik til modellarining cheklovlari

SLMlar ko‘plab afzalliklarga ega bo‘lsa-da, ulardan foydalanishda ayrim murosalar ham bor:

- **Qo‘llanish doirasi tor**: o‘qitilgan sohadan tashqarida umumlashtirish imkoniyati cheklangan (masalan, tibbiyotga ixtisoslashgan SLM kod yozishda qiynaladi).
- **Tarafkashlik xavfi**: puxta saralanmagan kichik ma’lumotlar to‘plamlari tarafkashlikni kuchaytirishi mumkin.
- **Murakkablikni tushunish qobiliyati pastroq**: chuqur kontekstual tushunishni talab qiladigan nozik yoki murakkab vazifalar kichik modellar uchun qiyin bo‘lishi mumkin.
- **Ishonchliligi pastroq**: noaniq vaziyatlarda yoki ataylab chalg‘ituvchi kirish ma’lumotlariga duch kelganda ular ko‘proq xato qilishi mumkin.

## Kichik til modellarining amaliy qo‘llanishi

Cheklovlariga qaramay, SLMlar turli amaliy vazifalarda qo‘llanadi:

1. **Chatbotlar va virtual yordamchilar**: mobil qurilmalarda ishlash uchun yetarlicha samarali va real vaqtda muloqot qilish imkonini beradi.
2. **Kod yaratish**: Phi-3.5 Mini kabi modellar dasturchilarga kod yozish va xatolarni tuzatishda yordam beradi.
3. **Til tarjimasi**: yengil modellar sayohatchilar uchun qurilmaning o‘zida tarjima qila oladi.
4. **Qisqacha bayon va kontent yaratish**: kompaniyalar SLMlardan marketing matnlari, ijtimoiy tarmoq postlari va hisobotlar yaratishda foydalanadi.
5. **Sog‘liqni saqlash**: qurilmadagi AI alomatlarni tekshirish va tibbiy tadqiqotlar uchun ishlatiladi.
6. **IoT va chekka hisoblash**: bulutga bog‘lanmasdan aqlli uy qurilmalarida AI’ni ishga tushirish.
7. **Ta’lim vositalari**: repetitorlik tizimlari SLMlardan real vaqtda shaxsiylashtirilgan tushuntirishlar, viktorinalar va fikr-mulohazalar yaratishda foydalanishi mumkin.

## Kichik til modellarini chekka qurilmalarda ishga tushirish

SLMlar AI imkoniyatlarini to‘g‘ridan-to‘g‘ri smartfoningizga (PocketPal yordamida) yoki kompyuteringizga (Ollama yordamida) olib keladi: internetga ulanmasdan foydalanish, maxfiylikni kuchaytirish va kechikishni kamaytirish imkonini beradi.

### PocketPal yordamida mobil qurilmada SLM ishlatish

SLMlarni o‘zi sinab ko‘rmoqchi bo‘lganlar uchun PocketPal AI ilovasi internetga ulanmasdan, ushbu modellar bilan bevosita smartfonda ishlashning sodda usulini taklif etadi. Elektron xat yozish, g‘oyalar ustida fikrlash yoki tezkor savollarga javob olish kerak bo‘lsa, PocketPal optimallashtirilgan SLMlar asosida qulay interfeysni taqdim etadi. Uning oflayn ishlash imkoniyati so‘rovlaringiz maxfiy qolishini ta’minlaydi.

**Imkoniyatlar**

- Oflayn AI yordamchisi: til modellarini internetga ulanmasdan bevosita qurilmangizda ishga tushiring.
- Modellarni tanlash erkinligi: Phi, Gemma, Qwen va boshqa SLMlarni yuklab oling va ular orasida almashing.
- Avtomatik xotiradan chiqarish va yuklash: ilova fon rejimida bo‘lganda modellarni xotiradan chiqarib, xotirani avtomatik boshqaring.
- Inferens sozlamalari: tizim prompti, harorat, BOS tokeni va chat shablonlari kabi model parametrlarini moslang.
- Real vaqtdagi unumdorlik ko‘rsatkichlari: AI javob yaratishi davomida soniyasiga tokenlar va har bir token uchun millisekundlarni ko‘ring.

PocketPal AI’ni [iOS](https://apps.apple.com/us/app/pocketpal-ai/id6502579498) va Android uchun yuklab oling.

### Ollama yordamida kompyuterda SLMlarni ishga tushirish

Ochiq kodli vosita Ollama SLMlarni kompyuterda ishga tushirishni osonlashtiradi:

- **Mahalliy boshqaruv**: Llama3.2-1B yoki Phi-3.5 Mini kabi modellarni minimal sozlash bilan ishga tushiring.
- **GPU optimallashtirish**: inferensni tezlashtirish uchun iste’molchilar uchun mo‘ljallangan GPUlardan foydalanadi.
- **Moslashtirilgan ish jarayonlari**: SLMlarni ma’lumotlar quvurlariga yoki ijodiy vositalarga (masalan, kodni avtomatik ko‘rib chiqish uchun) integratsiya qiling.

**Ollama’dan foydalanishni boshlash:**

1. Ollama’ni [ollama.com](https://ollama.com) saytidan o‘rnating
2. Terminalni ochib, modelni yuklab oling:

```
ollama pull qwen2.5:1.5b
```

3. Modelni interaktiv rejimda ishga tushiring:

```
ollama run qwen2.5:1.5b
```

Bu sozlama bulut xizmatlarisiz AI asosidagi mahalliy chatbotlar, kod yozish yordamchilari va hujjatlarni qisqacha bayon qilish vositalarini ishga tushirish imkonini beradi.

## Kichik til modellarini nozik sozlash

SLMlarning eng qiziqarli jihatlaridan biri — nozik sozlash orqali ularni moslashtirish mumkinligidir. SLMni muayyan sohaga oid ma’lumotlar to‘plamida o‘qitib, uning tor doiradagi ilovalardagi samaradorligini oshirish mumkin.

Masalan:

- Shartnomalarni tahlil qiluvchi yordamchi yaratish uchun modelni yuridik hujjatlarda nozik sozlash.
- Muhandislar uchun muammolarni bartaraf etish qo‘llanmasini yaratish uchun SLMni texnik qo‘llanmalarda o‘qitish.

SLMni nozik sozlashning bir necha usuli bor:

1. To‘liq nozik sozlash — yangi ma’lumotlar yordamida barcha parametrlarni qayta o‘qitish (katta hisoblash quvvatini talab qiladi).
2. LoRA (past rangli moslashuv) — faqat bir nechta qatlam nozik sozlanadi, shu bois usul yengil va samarali bo‘ladi.
3. Adapterlar va promptlarni sozlash — model javoblarini yo‘naltirish uchun qo‘shimcha qatlamlar qo‘shiladi yoki promptlar optimallashtiriladi.

Misol: Hugging Face’ning `peft` kutubxonasidan foydalanib, LoRA bilan nozik sozlash:

```
from peft import LoraConfig, get_peft_model
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "gemma-2-2b"
model = AutoModelForCausalLM.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

config = LoraConfig(r=8, lora_alpha=16, lora_dropout=0.1)
model = get_peft_model(model, config)

# Train the model on new data...
```

Nozik sozlash nafaqat aniqlikni oshiradi, balki modelning o‘ziga xos talablaringizga mos kelishini ham ta’minlaydi.

## Xulosa

Kichik til modellari (SLM) samarali, qulay va tejamkor AI sari tashlangan muhim qadamdir. Ular LLMlarning katta hisoblash yukisiz kuchli AI’dan foydalanmoqchi bo‘lgan kompaniyalar, dasturchilar va tadqiqotchilar uchun amaliy yechimlar taklif etadi.

Kompyuterlar uchun **Ollama** va modellarni moslashtirishga mo‘ljallangan **nozik sozlash imkoniyatlari** kabi vositalar yordamida SLMlar AI manzarasini o‘zgartirmoqda — sun’iy intellektni shaxsiyroq, maxfiyroq va hamma uchun qulayroq qilmoqda.

Keling, ixcham AI loyihalarimizni qanday o‘zgartirishi mumkinligini bilib olaylik.

### Manbalar

Kichik til modellari bo‘yicha sharh (ilmiy maqola)

## Ushbu qo‘llanmani Ailoot bilan amalda qo‘llang

AI modellarini ilovalaringiz, agentlaringiz va avtomatlashtirish jarayonlaringizga yagona Ailoot API orqali ulang. Vazifangizga mos modelni tanlang va boshlash uchun [Ailoot hujjatlari](https://ailoot.ai/docs/) bilan tanishing.


## Ailoot · Kompaniya va uning loyihalar portfeli

Ailoot to‘plangan faoliyat tajribasi, keng mijozlar bazasi, barqaror xizmat va doimiy KPI nazoratiga tayanadi.

Kompaniya va uning loyihalar portfeli: millionlab mijozlar; oylik sotuvlar hajmi milliardlarda.

Ailoot bu faoliyat tajribasini mijozlar mahsulotlari, agentlar, ilovalar va avtomatlashtirishlarda AI imkoniyatlariga API orqali kirishni ta’minlashda qo‘llaydi.
