# ជំពូក ០២៖ ខ្សែដើមម៉ូដែលភាសា​តូច

ជំពូកដើមទូលំទូលាយនេះផ្តល់នូវការពិចារណាអំពីម៉ូដែលភាសាតូច (SLMs) ដ៏សំខាន់ ដែលដាក់បង្ហាញគន្លងទ្រឹស្តី វិធីសាស្រ្តអនុវត្តប្រតិបត្តិ និងដំណោះស្រាយដាក់បញ្ចូលជាការផលិតបានជាក់លាក់។ ជំពូកនេះបង្កើតមូលដ្ឋានចំនេះដឹងសំខាន់សម្រាប់ការយល់ដឹងអំពីរចនាសម្ព័ន្ធ AI ដ៏មានប្រសិទ្ធភាពសម័យទំនើប និងការដាក់បញ្ចូលយ៉ាងយុទ្ធសាស្រ្តលើបរិយាកាសកុំព្យូទ័រផ្សេងៗគ្នា។

## រចនាសម្ព័ន្ធជំពូក និងស៊ុបផ្រូតសិក្សាថ្នាក់ជាក់លាក់

### **[ផ្នែកទី ១៖ មូលដ្ឋានម៉ូដែលក្រុម Microsoft Phi](./01.PhiFamily.md)**
ផ្នែកបើកដាក់បង្ហាញម៉ូដែលក្រុម Phi របស់ Microsoft ដែលមានភាពរីកចម្រើនដ៏ខ្លាំង បង្ហាញពីរបៀបដែលម៉ូដែលតូច និងមានប្រសិទ្ធភាពអាចទទួលបានការអនុវត្តល្អបំផុត ខណៈដែលថែរក្សាការផ្គត់ផ្គង់កំណត់វត្ថុបរិក្ខាររូបវិទ្យាដែលបានកាត់បន្ថយយ៉ាងខ្លាំង។ ផ្នែកមូលដ្ឋាននេះគ្របដណ្តប់៖

- **ការវិវឌ្ឍទ្រឹស្តីរចនាបទ**៖ ការស្រាវជ្រាវទូលំទូលាយអំពីការអភិវឌ្ឍក្រុម Phi ពី Phi-1 ដល់ Phi-4 ដោយផ្តោតលើវិធីសាស្រ្តបណ្តុះបណ្តាល "គុណភាពសៀវភៅសិក្សា" ជារបៀបដែលកំពុងបំផ្លាញ និងវិមាត្រពេលប៉ារ៉ាម៉ែត្រ
- **រចនាសម្ព័ន្ធផ្អែកលើប្រសិទ្ធភាពជាមុន**៖ វិភាគលម្អិតនៃការជៀសវាងប៉ារ៉ាម៉ែត្រ ការរួមបញ្ចូលមុខងារចម្រុះ និងការបង្កើតសមត្ថភាពលើឧបករណ៍ CPU, GPU និងឧបករណ៍ចុងផ្លូវ
- **សមត្ថភាពជាមួយផ្នែកជាក់លាក់**៖ គ្របដណ្តប់ជ្រាលជ្រៅនៃបក្សផ្សេងៗដែលមានលក្ខណៈលក្ខណៈដូចជា Phi-4-mini-reasoning សម្រាប់កិច្ចការគណិតវិទ្យា, Phi-4-multimodal សម្រាប់ដំណើរការភាសាទស្សន៍ និង Phi-3-Silica សម្រាប់ដំណើរការផ្ទាល់នៅលើ Windows 11

ផ្នែកនេះបង្កើតគន្លងមូលដ្ឋានថាមពលថ្លៃថ្លារបស់ម៉ូដែល គឺសមត្ថភាព និងប្រសិទ្ធភាពអាចស្ថិតនៅជាមួយគ្នាដោយរបៀបបណ្តុះបណ្តាលថ្មី និងការបង្កើតរចនាសម្ព័ន្ធយ៉ាងងាយស្រួល។

### **[ផ្នែកទី ២៖ មូលដ្ឋានក្រុម Qwen](./02.QwenFamily.md)**
ផ្នែកទីពីរនេះផ្លាស់ប្តូរទៅវិធីសាស្រ្តមីតមេទូរ Alibaba ដែលមានចំហរចេញ សម្តែងពីរបៀបដែលម៉ូដែលដែលមានភាពច្បាស់លាស់ និងអាចចូលដល់បានអាចទទួលបានសមត្ថភាពប្រកួតប្រជែង ខណៈដែលរក្សាការផ្លាស់ប្តូរដោយឥតឈប់ឈរ។ ចំណុចសំខាន់រួមមាន៖

- **ភាពល្អប្រសើររបស់ប្រភពចំហ**៖ ការស្រាវជ្រាវទូលំទូលាយអំពីការវិវឌ្ឍ Qwen ពី Qwen 1.0 ដល់ Qwen3 ដោយផ្តោតលើការបណ្តុះបណ្តាលទំហំធំ (36 ត្រីលានន័រ token) និងសមត្ថភាពពហុភាសា ១១៩ ភាសា
- **រចនាសម្ព័ន្ធគិតវាងវិលកម្រិតខ្ពស់**៖ គ្របដណ្តប់លម្អិតរបស់សមត្ថភាព "របៀបគិត" របស់ Qwen3 ការអនុវត្តមិចចឺតឯកទេស និងបក្សជាក់លាក់សម្រាប់កូដ (Qwen-Coder) និងគណិតវិទ្យា (Qwen-Math)
- **ជម្រើសដាក់សកម្មភាពអាចពង្រីកបាន**៖ វិភាគជ្រាលជ្រៅនៃជម្រៅប៉ារ៉ាម៉ែត្រពី 0.5B ទៅ 235B ដែលអាចដាក់នៅលើឧបករណ៍ចល័តដល់ក្រុមសហគ្រាស

ផ្នែកនេះផ្តោតលើការអភិវឌ្ឍប្រព័ន្ធ AI តាមរយៈប្រភពចំហ បើទោះបីដូច្នោះ សមត្ថភាពប្រកួតប្រជែងក៏នៅតែមាន។

### **[ផ្នែកទី ៣៖ មូលដ្ឋានក្រុម Gemma](./03.GemmaFamily.md)**
ផ្នែកទីបីស្វែងយល់អំពីវិធីសាស្រ្តរបស់ Google លើ AI ចម្រុះប្រភពចំហ សម្តែងពីរបៀបដែលការស្រាវជ្រាវអាចបម្លែងទៅជាមុខងារផ្សព្វផ្សាយដែលមានកម្លាំង។ ផ្នែកនេះគ្របដណ្តប់៖

- **នវានុវត្តន៍ដោយស្រាវជ្រាវ**៖ គ្របដណ្តប់ទូលំទូលាយនៃអាគារយប់ Gemma 3 និង Gemma 3n ដែលមានបច្ចេកវិទ្យាពេញលេញ Per-Layer Embeddings (PLE) និងយុទ្ធសាស្រ្តប្រសិទ្ធភាពសម្រាប់ឧបករណ៍ចល័ត
- **ភាពល្អឥតខ្ចោះចម្រុះ**៖ ការស្រាវជ្រាវលម្អិតនៃការរួមបញ្ចូលភាសាទស្សន៍ និងរូបភាព មុខងារដំណើរការសំឡេង និងការអនុវត្តបញ្ហាគំនូរការមុខងារ
- **រចនាសម្ព័ន្ធមុខងារចល័តជាមុន**៖ ការវិភាគជ្រាលជ្រៅអំពីភាពប្រសិទ្ធភាពរបស់ Gemma 3n ដែលផ្តល់សមត្ថភាពប្រតិបត្តិការ 2B-4B ប៉ារ៉ាម៉ែត្រជាមួយអង្គចងចាំតិចបំផុត 2-3GB

ផ្នែកនេះបង្ហាញពីរបៀបដែលការស្រាវជ្រាវអាចប្រែប្រួលទៅជាដំណោះស្រាយ AI ដែលចូលដល់បាន និងមានមុខងារកាន់តែខ្លាំង។

### **[ផ្នែកទី ៤៖ មូលដ្ឋានក្រុម BitNET](./04.BitNETFamily.md)**
ផ្នែកទីបួនបង្ហាញពីវិធីសាស្រ្តរបស់ Microsoft សម្រាប់ការបម្រែបម្រួល ១-ប៊ីត ដែលជារង្វង់ខ្សែខាងមុខនៃការដាក់បញ្ចូល AI មានប្រសិទ្ធភាពខ្លាំង។ ផ្នែកខ្ពស់នេះគ្របដណ្តប់៖

- **វិគ្គកម្មបម្រែបម្រួល**៖ ការស្រាវជ្រាវទូលំទូលាយអំពីបម្រែបម្រួល 1.58-ប៊ីតដែលប្រើទម្ងន់ត្រីកោណ {-1, 0, +1} ដែលអាចបង្កើតល្បឿនបាន 1.37 ដល់ 6.17 ដង ជាមួយការកាត់បន្ថយថាមពល 55-82%
- **ស៊ុមធ្វើការជម្រះបញ្ហាដែលបានបញ្ជាល្បឿន**៖ ការគ្របដណ្តប់លម្អិតនៃការអនុវត្ត bitnet.cpp ពី [https://github.com/microsoft/BitNet](https://github.com/microsoft/BitNet), វាយគ្រឿងផ្សេងៗ និងអប់រំសម្រាប់មូលដ្ឋានពហុវេទិកា ដើម្បីឲ្យមានប្រសិទ្ធភាពខ្ពស់មិនធ្លាប់មាន
- **ភាពជាអ្នកដឹកនាំ AI ដែលអាចរក្សាបាន**៖ ការវិភាគជ្រាលជ្រៅអំពីអត្ថប្រយោជន៍បរិស្ថាន សមត្ថភាពដាក់បញ្ចូលដែលមានភាពលំបាកតិច និងសមត្ថភាពអនុវត្តស្ថានភាពថ្មីៗដោយប្រើប្រាស់ប្រសិទ្ធភាពខ្ពស់

ផ្នែកនេះបង្ហាញពីរបៀបដែលបច្ចេកវិទ្យាបម្រែបម្រួលអាចធ្វើឲ្យប្រសើរពណ៌តំណរដែលមានប្រសិទ្ធភាព AI ខណៈរក្សាសមត្ថភាពខ្ពស់។

### **[ផ្នែកទី ៥៖ មូលដ្ឋានម៉ូដែល Microsoft Mu](./05.mumodel.md)**
ផ្នែកទីប្រាំស្វែងយល់អំពីម៉ូដែល Mu របស់ Microsoft ដែលបង្កើតឡើងសម្រាប់ដាក់នៅលើឧបករណ៍ Windows ជាក់លាក់។ ផ្នែកជាក់លាក់នេះគ្របដណ្តប់៖

- **រចនាសម្ព័ន្ធមុខងារជាមួយឧបករណ៍**៖ ការស្រាវជ្រាវលំអិតនៃម៉ូដែលដោយ Microsoft ដែលបង្គាប់ត្រូវបានបង្កើតក្នុងឧបករណ៍ Windows 11
- **ការរួមបញ្ចូលប្រព័ន្ធ**៖ វិភាគដោយលំអិតនៃការរួមបញ្ចូលជ្រៅក្នុង Windows 11 បង្ហាញពីរបៀបដែល AI អាចបង្កើនមុខងារប្រព័ន្ធតាមរយៈការជំនួយដើម
- **រចនាសម្ព័ន្ធរក្សាសុវត្ថិភាព**៖ គ្របដណ្តប់ជ្រាលជ្រៅលើកិច្ចការប្រតិបត្តិការផ្ទាល់ខ្លួន ការប្រតិបត្តិនៅលើឧបករណ៍ និងរចនៈជាចម្បងផ្នែកឯកជនភាពថែរក្សាទិន្នន័យអ្នកប្រើនៅលើឧបករណ៍

ផ្នែកនេះបង្ហាញពីរបៀបដែលម៉ូដែលជាក់លាក់អាចបង្កើនមុខងារប្រព័ន្ធប្រតិបត្តិការ Windows 11 ខណៈដែលរក្សារការសម្ងាត់ និងប្រសិទ្ធភាព។

### **[ផ្នែកទី ៦៖ មូលដ្ឋាន Phi-Silica](./06.phisilica.md)**
ផ្នែកបញ្ចប់សង្កេតមើល Phi-Silica របស់ Microsoft ដែលជាម៉ូដែលភាសាដ៏មានប្រសិទ្ធភាពខ្ពស់ ដែលបង្កើតក្នុង Windows 11 សម្រាប់កុំព្យូទ័រពូជ Copilot+ ដែលមាន ខ្សែ NPU hardware។ ផ្នែកខ្ពស់នេះគ្របដណ្តប់៖

- **ស្ដង់ដារប្រសិទ្ធភាពល្អបំផុត**៖ ការវិភាគមុខងារយ៉ាងសុទ្ធឥតខ្ចោះនៃ Phi-Silica ដែលអាចបញ្ចូន 650 token ក្នុងមួយវិនាទី ដោយប្រើថាមពលតិចតួចគត់ 1.5 វ៉ាត់
- **បច្ចេកវិទ្យាបង្កើតសម្រាប់ NPU**៖ ការស្រាវជ្រាវលម្អិតនៃរចនាសម្ព័ន្ធជាផ្នែកពិសេសសម្រាប់ Neural Processing Units នៅក្នុងកុំព្យូទ័រ Windows 11 Copilot+
- **ការរួមបញ្ចូលអ្នកអភិវឌ្ឍន៍**៖ គ្របដណ្តប់ជ្រាលជ្រៅនៃការរួមបញ្ចូល Windows App SDK វិធីសាស្រ្តបង្កើតសំណើសុំ និងការអនុវត្តល្អបំផុតសម្រាប់ Phi-Silica នៅក្នុងកម្មវិធី Windows 11

ផ្នែកនេះបង្កើតកម្រិតកំពូលនៃម៉ូដែលភាសារដែលបង្កើតឡើងសម្រាប់ឧបករណ៍ មើលឲ្យឃើញពីរបៀបដែលរចនាសម្ព័ន្ធម៉ូដែលជាមួយរឹតបន្តឹងខ្សែកាយណូរូបវិទ្យាអាចផ្តល់នូវសមត្ថភាព AI ដ៏អស្ចារ្យលើឧបករណ៍ប្រើប្រាស់ Windows 11។

## លទ្ធផលការសិក្សាទាំងមូល

បិទជំពូកដើមនេះ អ្នកអាននឹងទទួលបានជំនាញដល់កម្រិតខ្ពស់ក្នុង៖

1. **ការយល់ដឹងអំពីរចនាសម្ព័ន្ធ**៖ ការយល់ដឹងជ្រាលជ្រៅអំពីទ្រឹស្តីរចនាបទ SLM ផ្សេងៗ និងផលប៉ះពាល់របស់វាដល់សេណារីយ៉ូដាក់សកម្មភាព
2. **តុល្យភាពប្រសិទ្ធភាព-កម្រិតសមត្ថភាព**៖ សមត្ថភាពធ្វើចំណាត់ការយុទ្ធសាស្រ្តក្នុងការជ្រើសរើសរចនាសម្ព័ន្ធម៉ូដែលតាមកម្រិតកំណត់កុំព្យូទ័រ និងតម្រូវការប្រសិទ្ធភាព
3. **ការផ្លាស់ប្តូរដាក់សកម្មភាព**៖ ការយល់ដឹងអំពីការវាយតម្លៃជាចម្បងរវាងការជំរុញដោយម្ចាស់ផ្ទាល់ (Phi), ប្រភពចំហធ្វើឲ្យអាចចូលដល់បាន (Qwen), នវានុវត្តន៍ដោយស្រាវជ្រាវ (Gemma), និងប្រសិទ្ធភាពប្រកបដោយកំណត់ (BitNET)
4. **ទស្សនវិជ្ជាដែលត្រៀមខ្លួនសម្រាប់អនាគត**៖ ទស្សនវិជ្ជាពីនិន្នាការថ្មីៗក្នុងរចនាសម្ព័ន្ធ AI មានប្រសិទ្ធភាព និងផលប៉ះពាល់របស់វាចំពោះយុទ្ធសាស្រ្តដាក់សកម្មភាពជំនាន់ក្រោយ

## ការអនុវត្តជាក់ស្តែងជាតម្រូវការ

ជំពូកនេះរក្សាប្រយោជន៍បច្ចេកទេសយ៉ាងខ្លាំង ដោយមាន៖

- **ឧទាហរណ៍កូដពេញលេញ**៖ ឧទាហរណ៍អនុវត្តពិតប្រាកដសម្រាប់ម៉ូដែលនីមួយៗ រួមទាំងដំណើរការសូមរេច prompt ឧបករណ៍បញ្ចូល និងកំណត់ភាព
- **ការប្រៀបធៀបផ្នែកសមត្ថភាពទូលំទូលាយ**៖ ការប្រៀបធៀបមុខងារយ៉ាងលម្អិតរវាងរចនាសម្ព័ន្ធម៉ូដែលដែលមាន លក្ខណៈប្រសិទ្ធភាព និងការវាយតម្លៃអាចប្រើប្រាស់
- **សុវត្ថិភាពកម្រិតសហគ្រាស**៖ ការអនុវត្តសុវត្ថិភាពកម្រិតផលិតកម្ម គ្រប់គ្រងការតាមដាន និងវិធីសាស្រ្តល្អបំផុតសម្រាប់ដាក់សកម្មភាពដែលអាចទុកចិត្តបាន
- **ការរួមបញ្ចូលជាមួយស៊ុមផ្នែកសាងសង់**៖ គន្លឹះផ្លូវប្រយោជន៍សម្រាប់រួមបញ្ចូលជាមួយស៊ុមពេញនិយមដូចជា Hugging Face Transformers, vLLM, ONNX Runtime និងឧបករណ៍បង្កើតប្រសិទ្ធភាពជាច្រើន

## ផែនទីផ្លូវបច្ចេកវិទ្យាយុទ្ធសាស្ត្រ

ជំពូកនេះបញ្ចប់ដោយការវិភាគមើលទៅមុខ​របស់ៈ

- **ការវិវឌ្ឍរចនាសម្ព័ន្ធ**៖ និន្នាការថ្មីៗក្នុងការរចនា និងបង្កើតម៉ូដែលមានប្រសិទ្ធភាព
- **ការរួមបញ្ចូលវត្ថុបរិក្ខារ**៖ ការវិវឌ្ឍឧបករណ៍ជំនួយ AI និងផលប៉ះពាល់របស់វាទៅលើយុទ្ធសាស្ត្រដាក់សកម្មភាព
- **ការអភិវឌ្ឍបរិស្ថាន**៖ កិច្ចខិតខំស្តង់ដារនិងការកែលម្អអន្តរប្រតិបត្តិការ រវាងក្រុមម៉ូដែលនានា
- **ការទទួលយកកម្រិតសហគ្រាស**៖ ការពិចារណាយុទ្ធសាស្ត្រសម្រាប់ផែនការដាក់សកម្មភាព AI ក្នុងជំរើសអង្គភាព

## សេណារីយ៉ូដំណើរការជាក់ស្តែង

គ្រប់ផ្នែកផ្តល់ការគ្របដណ្ដប់លម្អិតអំពីនូវការដាក់កម្មវិធី៖

- **កុំព្យូទ័រចល័ត និងចុងផ្លូវ**៖ យុទ្ធសាស្ត្រដាក់សកម្មភាពដែលមានប្រសិទ្ធភាពសម្រាប់បរិយាកាសមានកំណត់ធនធាន
- **កម្មវិធីសហគ្រាស**៖ ដំណោះស្រាយអាចពង្រីកសម្រាប់ការប្រាជ្ញាលេខសម្រាប់អាជីវកម្ម ស្វ័យប្រវត្តិ និងការបម្រើអតិថិជន
- **បច្ចេកវិទ្យាអប់រំ**៖ AI ដែលអាចចូលដល់បានសម្រាប់ការសិក្សាផ្ទាល់ខ្លួន និងការបង្កើតមាតិកា
- **ដាក់កម្មវិធីបំបែកភាសា**៖ កម្មវិធី AI ភាសាផ្សេងៗ និងវប្បធម៌

## ស្ដង់ដារលក្ខណៈល្អបំផុតជាគន្លង

ជំពូកនេះផ្តោតលើការអនុវត្តជាក់ស្តែងដែលអាចផលិតបាន៖

- **ជំនាញបង្កើតប្រសិទ្ធភាព**៖ បច្ចេកទេសបម្រែបម្រួលជាក់លាក់ ការសម្រួលការងារ និងការគ្រប់គ្រងធនធាន
- **ការត្រួតពិនិត្យកម្រិតសមត្ថភាព**៖ ការប្រមូលត្រួតពិនិត្យភាគល្អិត ប្រព័ន្ធរោទ៍ ប្រតិបត្តិការវិភាគកម្រិតសមត្ថភាព
- **ការអនុវត្តសុវត្ថិភាព**៖ វិធានសុវត្ថិភាពកម្រិតសហគ្រាស ការក្សារសម្ងាត់ និងស៊ុមបំពេញមាតិកាច្បាប់
- **ផែនការពង្រីក**៖ យុទ្ធសាស្ត្រទ្រទ្រង់ទ្រព្យដើម្បីតម្រូវនឹងតម្រូវការកុំព្យូទ័រលូតលាស់

ជំពូកដើមនេះជាការត្រៀមខ្លួនសំខាន់សម្រាប់យុទ្ធសាស្ត្រដាក់សកម្មភាព SLM ជាន់ខ្ពស់ បង្កើតទាំងការយល់ដឹងទ្រឹស្តី និងសមត្ថភាពអនុវត្តដែលចាំបាច់សម្រាប់ជោគជ័យក្នុងការអនុវត្ត។ ការគ្របដណ្តប់ទូលំទូលាយធានាថាអ្នកអានមានឧបករណ៍គ្រប់គ្រាន់ក្នុងការជ្រើសរើសរចនាសម្ព័ន្ធ និងអនុវត្តដំណោះស្រាយ AI មានប្រសិទ្ធភាពដែលបំពេញតម្រូវការរបស់អង្គភាពរបស់ខ្លួន ខណៈដែលបង្រៀនខ្លួនសម្រាប់ការវិវឌ្ឍបច្ចេកវិទ្យាលើកទីបន្ទាប់។

ជំពូកនេះជាពន្ធនាគារលើការចម្រុះរវាងការស្រាវជ្រាវ AI ល្បឿនខ្ពស់ និងការអនុវត្តជាក់ស្តែង ដាក់សំឡេងថា រចនាសម្ព័ន្ធ SLM សម័យទំនើបអាចផ្តល់នូវសមត្ថភាពល្អបំផុត ខណៈដែលរក្សាការប្រតិបត្តិការឲ្យមានប្រសិទ្ធភាព តម្លៃថោក និងការរក្សាបរិស្ថានបានយ៉ាងត្រឹមត្រូវ។

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ការបដិសេធ**៖
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ដោយមិនខកចិត្តពីការព្យាយាមរកភាពត្រឹមត្រូវ យើងសូមជូនដំណឹងថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមក្នុងភាសាមូលដ្ឋានរបស់វាត្រូវបានចាត់ទុកជាដើមទុនផ្លូវការជាមួយ។ សម្រាប់ព័ត៌មានសំខាន់ៗ ត្រូវបានណែនាំឱ្យប្រើការបកប្រែដោយមនុស្សជំនាញ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំនិងការយល់មិនបានត្រឹមត្រូវណាមួយដែលកើតមានពីការប្រើប្រាស់ការបកប្រែនេះទេ។
<!-- CO-OP TRANSLATOR DISCLAIMER END -->