دایرکتوری حرفه‌ای مدل‌ها، ابزارها و راهنماهای راه‌اندازی

هر تیمی که AI را از demo وارد محصول یا فرایند سازمانی می‌کند؛ مخصوصاً محیط‌های حساس، customer-facing و agentic.

LLM serving سازمانی، endpointهای چندکاربره، self-host در مقیاس متوسط تا بالا، embedding service و migration از pilot local به production.

تیم‌هایی که می‌خواهند مدل‌ها را مقایسه، weightها را مدیریت، dataset و adapter را منتشر و از یک ecosystem منسجم برای open model workflow استفاده کنند.

تیم‌هایی که می‌خواهند مدل را داخل زیرساخت خودشان اجرا کنند، quantize کنند، LoRA بزنند و control بیشتری روی داده و serving داشته باشند.

prototype محلی، ارزیابی اولیه مدل‌های open-weight، demo داخلی، RAG سبک و backendهایی که OpenAI-compatible local endpoint می‌خواهند.

workflowهای قرارداد، فاکتور، policy، proposal review و هر use-case که سند source-of-truth است.

محصولات چندزبانه، assistantهای self-host، coding workflowها و تیم‌هایی که stack open-weight اما مدرن می‌خواهند.

document AI، تحلیل تصویر و PDF، بازرسی کیفیت محتوای تصویری و workflowهای چندوجهی که باید روی زیرساخت خودتان هم قابل اجرا باشند.

GGUF، edge، inference روی CPU یا GPUهای کوچک، embedded apps و تیم‌هایی که می‌خواهند behavior runtime را دقیق‌تر کنترل کنند.

تیم‌هایی که بعد از رسیدن به baseline خوب، به adaptation جدی فکر می‌کنند و نمی‌خواهند زودتر از موعد وارد training pipeline پرهزینه شوند.

RAG چندزبانه، semantic search، reranking روی corpus سازمانی و pipelineهایی که کیفیت retrieval برایشان حیاتی‌تر از chat model است.

IDE completion، fill-in-the-middle، code generation، code editing و ابزارهای توسعه که باید روی codebase واقعی کار کنند.

تیم‌های فنی، سرویس‌های سفارشی Python، inference با منطق اختصاصی، training/fine-tuning و کار با مدل‌هایی که runtime آماده برایشان کافی نیست.

سازمان‌هایی که بین API و self-host جابه‌جا می‌شوند و می‌خواهند از مدل‌های متنوع این خانواده برای code، vision و enterprise search استفاده کنند.

coding agents، tool use در توسعه، repository workflows و تیم‌هایی که code generation را در مسیر task-based می‌خواهند.

code generation، repo-aware workflows سبک، local coding assistants و self-host روی stackهای رایج.

تیم‌های تولید تصویر، پژوهش، pipelineهای visual generation، custom workflows و integration با adapterها و controlهای متنوع.

OCR-aware workflows، document AI، visual QA، agentهای چندوجهی و محیط‌هایی که latency و data boundary باید داخل infra خودتان کنترل شود.

embedding و reranking service، RAG داخلی، search production و تیم‌هایی که می‌خواهند open models را با runtime مخصوص retrieval بالا بیاورند.

ارزیابی‌های comparative، code-heavy workloads و سازمان‌هایی که می‌خواهند بین API و self-host انعطاف داشته باشند.

speech workflows، transcript، voice agents و تیم‌هایی که می‌خواهند بین API راحت و مدل صوتی قابل‌کنترل تعادل داشته باشند.

RAG سازمانی، agent workflowهای کنترل‌شده، edge و deploymentهای حساس که نمی‌خواهند به frontier APIهای بسته وابسته باشند.

reasoning، long-context workflows، coding و serving روی GPUهای NVIDIA با NIM، vLLM یا stackهای محلی.

سازمان‌هایی که از قبل روی Hugging Face ecosystem سرمایه‌گذاری کرده‌اند، container-based serving می‌خواهند و deployment inference را با artifact management رسمی HF می‌بینند.

multimodal chat، voice-enabled assistant، image + text workflows و تجربه‌های unified که نمی‌خواهند کاملاً وابسته به API بسته باشند.

video generation باز، تحقیق و توسعه روی ویدئو، pipelineهای image-to-video و تیم‌هایی که باید stack را self-host کنند.

IDE assistant داخلی، code review helper، generation روی repo خصوصی و pipelineهایی که self-host و cost control مهم است.

RAG دقیق‌تر، legal or policy retrieval، search pipelineهای چندمرحله‌ای و تیم‌هایی که top-k اولیه را با reranker پالایش می‌کنند.

baseline transcription، archive indexing، meeting search و هر جایی که self-host STT یا cost control مهم باشد.

LoRA، adapter-based tuning، domain adaptation کم‌هزینه و تیم‌هایی که می‌خواهند experimentation را بدون full training شروع کنند.

edge و local AI، prototypeهای self-host و تیم‌هایی که مدل بازتر اما manageable می‌خواهند.

RAG self-host، enterprise search داخل VPC و تیم‌هایی که می‌خواهند retrieval را تا لایه مدل کنترل کنند.

code generation، explanation، bug fixing و ابزارهای توسعه‌ای که باید روی زیرساخت داخلی و license روشن کار کنند.

visual question answering، document reading، تحلیل تصویر و پژوهش/محصولاتی که می‌خواهند روی VLM باز کار کنند.

image-to-video، controlled video generation، creative tooling و تیم‌هایی که به دنبال open stack چابک‌تر از بعضی خانواده‌های سنگین‌تر هستند.

SFT، preference optimization، reward modeling و تیم‌هایی که می‌خواهند post-training را reproducible و scriptable جلو ببرند.

RAG system design، enterprise search selection و تیم‌هایی که retrieval quality برایشان KPI واقعی است.

تیم‌هایی که می‌خواهند image generation را خودشان host و tune کنند یا pipeline خلاقه داخلی بسازند.

captioning، visual question answering، image understanding و سناریوهایی که VLM باز و نسبتاً سبک می‌خواهند.

semantic search، retrieval سبک‌تر، RAG محلی و سناریوهایی که embedding باز با footprint معقول می‌خواهند.

text-to-image، experimentation تصویری، تولید محتوای خلاق و تیم‌هایی که diffusion باز را در کنار Stable Diffusion و FLUX می‌سنجند.

code completion سبک، local experimentation، IDE prototype و تیم‌هایی که می‌خواهند code model باز را با footprint معقول‌تر امتحان کنند.

semantic search، RAG داخلی، workstation-friendly retrieval و تیم‌هایی که embedding باز را با TEI یا HF stack می‌خواهند.

enterprise retrieval، warehouse-adjacent search، corpusهای بزرگ و تیم‌هایی که embedding باز اما سازمانی‌تر می‌خواهند.

chat UI داخلی، RAG demo، تیم‌های غیرزیرساختی که می‌خواهند model access، user-facing interface و tooling را سریع ببینند.

prototype تا implementation RAG، document pipeline، retrieval orchestration و تیم‌هایی که chain-level composition می‌خواهند.

انتخاب coding assistant، تعیین build-vs-buy، و تصمیم بین API proprietary و self-host code modelها.

copilotهای داخلی سبک، edge deployment و تیم‌هایی که Azure و Windows/ONNX مسیر مهمشان است.

RAG چندزبانه، search ranking، corpusهای متنوع و pipelineهایی که precision مرحله دوم برایشان مهم است.

local inference روی مک، developer workflow، ارزیابی مدل‌های باز روی Apple Silicon و تیم‌هایی که pilot را روی لپ‌تاپ‌های مک جلو می‌برند.

image and video segmentation، annotation workflow، inspection pipeline و محصولاتی که mask و region-level output لازم دارند.

speech pipelineهای GPU-centric، batch or near-realtime transcription و تیم‌هایی که already روی stack انویدیا هستند.

serving مدل‌های باز، performance-sensitive inference و تیم‌هایی که throughput و latency را جدی‌تر optimize می‌کنند.

pipelineهای retrieval، document-centric systems و تیم‌هایی که Haystack-style component model را ترجیح می‌دهند.

long-context RAG، grounded QA و سازمان‌هایی که private deployment برایشان حیاتی است.

voice assistant آزمایشی، multimodal audio workflows و تیم‌هایی که می‌خواهند audio understanding را self-host یا hybrid جلو ببرند.