---
title: "LLM میں گراؤنڈنگ کیا ہے؟ ذرائع سے جڑے جوابات | BroadRouter"
description: "گراؤنڈنگ LLM کے جواب کو آپ کے دیے گئے ذرائع، جیسے دستاویزات، سرچ نتائج یا ڈیٹابیس ریکارڈز، سے جوڑتی ہے تاکہ دعووں کی جانچ ہو سکے۔ طریقے اور حدود۔"
url: https://broadrouter.com/ur/glossary/grounding/
lang: ur
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/glossary/grounding/) (اپ ڈیٹ: 2026-11-14).

# گراؤنڈنگ (grounding)

اپ ڈیٹ 2026-11-14

گراؤنڈنگ لینگویج ماڈل کے آؤٹ پٹ کو معلومات کے مخصوص، قابلِ تصدیق ذرائع، جیسے فراہم کردہ دستاویزات، سرچ نتائج یا ڈیٹابیس ریکارڈز، سے جوڑنے اور ماڈل کو انہی سے جواب دینے کی ہدایت کرنے کا طریقہ ہے۔ گراؤنڈڈ جواب کا ماخذ تلاش کیا جا سکتا ہے اور اس میں گھڑے ہوئے حقائق کم ہوتے ہیں۔

دوسرے نام: گراؤنڈنگ، گراؤنڈڈ جوابات، grounding kya hai، llm grounding، grounding، grounded generation، source grounding، grounded answers

بغیر گراؤنڈنگ والا ماڈل یادداشت سے جواب دیتا ہے۔ گراؤنڈڈ ماڈل سامنے رکھے صفحے سے جواب دیتا ہے۔

## یہ کیسے کام کرتی ہے

Google کی Vertex AI دستاویزات گراؤنڈنگ کو “the ability to connect model output to verifiable sources of information.” (ترجمہ: ماڈل آؤٹ پٹ کو معلومات کے قابلِ تصدیق ذرائع سے جوڑنے کی صلاحیت۔) کہتی ہیں۔ ماخذ ویب سرچ، آپ کی اپنی دستاویزات، نقشے کی سروس یا ڈیٹابیس ہو سکتا ہے۔ ماخذ جو بھی ہو، طریقے کے تین حصے ہیں:

1.  **ثبوت لائیں** سوال کے لیے: ریٹریو کی گئی عبارتیں، پوری فائل، انوائس کی تصویر، SQL کی قطاریں۔
2.  **اسے پرامپٹ میں رکھیں** اور صرف اسی سے جواب دینے کی ہدایت دیں۔
3.  **جواب کو قابلِ جانچ بنائیں** اقتباسات، حوالہ نشانات یا ماخذ کے لنکس سے۔

ریٹریول آگمینٹڈ جنریشن سب سے مشہور طریقہ ہے۔ Lewis اور ساتھیوں نے ایک جنریٹر کو “dense vector index of Wikipedia” (ترجمہ: Wikipedia کا ڈینس ویکٹر انڈیکس) سے جوڑا، جس تک ایک نیورل ریٹریور پہنچتا تھا، اور بتایا کہ جوابات صرف اپنے پیرامیٹرز سے کام کرنے والے ماڈل کے مقابلے میں زیادہ مخصوص اور زیادہ حقائق پر مبنی تھے۔ ایسا انڈیکس بنانے میں [ایمبیڈنگز](https://broadrouter.com/ur/glossary/embeddings/) اور اکثر [ویکٹر ڈیٹابیس](https://broadrouter.com/ur/glossary/vector-database/) استعمال ہوتا ہے۔

ایک کم سے کم گراؤنڈڈ پرامپٹ:

```text
Answer using only the policy below. Quote the sentence that supports your answer.
If the policy does not answer the question, reply "Not in the policy."

<policy>Refunds are available within 14 days of purchase.</policy>

Question: Can I get a refund after three weeks?
```

گراؤنڈڈ جواب “نہیں” کہتا ہے اور 14 دن والا جملہ نقل کرتا ہے۔ بغیر گراؤنڈنگ والا ماڈل 30 دن کی کوئی عام سی لگنے والی پالیسی اندازے سے بتا سکتا ہے۔

لمبے ان پٹس کے لیے Anthropic پہلے اقتباس والا قدم تجویز کرتا ہے: 20,000 ٹوکن سے بڑی دستاویزات کے لیے ماڈل سے پہلے لفظ بہ لفظ اقتباسات نکلوائیں، پھر صرف انہی اقتباسات سے جواب دلوائیں۔

## یہ کیوں اہم ہے

-   **کم گھڑے ہوئے حقائق۔** Google ہیلوسینیشنز میں کمی کو بنیادی فائدہ بتاتا ہے۔ آپ کے اپنے ڈیٹا کے بارے میں [ہیلوسینیشن](https://broadrouter.com/ur/glossary/hallucination/) کا سب سے سیدھا علاج گراؤنڈنگ ہے۔
-   **تازہ معلومات۔** ماڈل کے ویٹس تربیت کے وقت منجمد ہو جاتے ہیں۔ گراؤنڈڈ ذرائع دوبارہ تربیت کے بغیر روزانہ بدل سکتے ہیں۔
-   **آڈٹ کی سہولت۔** اقتباس والے دعوے کو کوئی انسان یا کوڈ جانچ سکتا ہے۔
-   **لاگت کا سمجھوتہ۔** ثبوت ان پٹ ٹوکن ہیں۔ پانچ عبارتیں ریٹریو کرنا پورا مینوئل بھیجنے سے سستا ہے، لیکن اہم عبارت چھوٹ سکتی ہے۔ بہت لمبے پرامپٹس میں [lost-in-the-middle](https://broadrouter.com/ur/glossary/lost-in-the-middle/) والے ریکال کا خطرہ بھی ہے۔

## BroadNet Inference پر

BroadNet کی دستاویزات میں کوئی ایمبیڈنگز اینڈپوائنٹ، سرچ ٹول یا حوالوں کا فیچر درج نہیں، اس لیے ریٹریول آپ کے کوڈ میں چلتا ہے۔ API آپ کو ثبوت کے لیے جگہ دیتا ہے: DeepSeek V4.1 Flash اور GLM 5.3 پر 1,048,576 ٹوکن کی [کانٹیکسٹ ونڈو](https://broadrouter.com/ur/glossary/context-window/)، Qwen3.8 27B پر 262,144، اور ان ماڈلز پر تصویری ان پٹ جن کے دستاویزی اندراج میں images یا vision لکھا ہے۔ اس سے “پوری دستاویز چپکا دیں” ایک حقیقی آپشن بنتا ہے؛ [لمبا کانٹیکسٹ بمقابلہ RAG](https://broadrouter.com/ur/blog/long-context-vs-rag/) دونوں کی لاگت کا موازنہ کرتا ہے، اور [انوائس گائیڈ](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/) اسکین شدہ تصویر پر ڈیٹا نکالنے کو گراؤنڈ کرتی ہے۔

## عام سوالات

### کیا گراؤنڈنگ اور RAG ایک ہی ہیں؟

RAG گراؤنڈنگ کا ایک طریقہ ہے۔ یہ عبارتیں ریٹریو کر کے پرامپٹ میں شامل کرتا ہے۔ آپ پوری دستاویز چپکا کر، تصویر لگا کر، یا لائیو سرچ یا ڈیٹابیس کے نتائج شامل کر کے بھی گراؤنڈ کر سکتے ہیں۔

### کیا گراؤنڈنگ درست جواب کی ضمانت دیتی ہے؟

نہیں۔ ماڈل پھر بھی ماخذ کو غلط پڑھ سکتا ہے یا نظر انداز کر سکتا ہے۔ اقتباسات یا حوالے مانگیں اور جانچیں کہ ہر ایک واقعی ماخذ میں موجود ہے۔

### LLM سے صرف میری دستاویزات کی بنیاد پر جواب کیسے دلواؤں؟

دستاویزات فراہم کریں، ماڈل سے کہیں کہ صرف انہی کو استعمال کرے، اسے یہ کہنے کی اجازت دیں کہ جواب ان میں نہیں ہے، اور ہر دعوے کے لیے اقتباس لازمی کریں۔

## یہ بھی دیکھیں

-   [ہیلوسینیشن (hallucination)](https://broadrouter.com/ur/glossary/hallucination/) (اصطلاح)
-   [RAG (retrieval-augmented generation)](https://broadrouter.com/ur/glossary/rag/) (اصطلاح)
-   [ایمبیڈنگز (embeddings)](https://broadrouter.com/ur/glossary/embeddings/) (اصطلاح)
-   [کانٹیکسٹ ونڈو (context window)](https://broadrouter.com/ur/glossary/context-window/) (اصطلاح)
-   [ویکٹر ڈیٹابیس (vector database)](https://broadrouter.com/ur/glossary/vector-database/) (اصطلاح)
-   [Lost in the middle (درمیان میں کھو جانا)](https://broadrouter.com/ur/glossary/lost-in-the-middle/) (اصطلاح)
-   [وژن ماڈل سے عربی انوائسز اور رسیدیں پڑھیں](https://broadrouter.com/ur/guides/read-arabic-invoices-with-vision/) (گائیڈ)
-   [لانگ کانٹیکسٹ بمقابلہ RAG: کب 1M ٹوکن ویکٹر DB کی جگہ لیتے ہیں](https://broadrouter.com/ur/blog/long-context-vs-rag/) (مضمون)
-   [عربی RAG: normalisation، chunking اور retrieval جو واقعی کام کرے](https://broadrouter.com/ur/blog/arabic-rag-search/) (مضمون)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

[شروع کریں](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-glossary-grounding&utm_content=page-cta) ·

**ذرائع**

-   [Google Cloud، گراؤنڈنگ کا تعارف (Vertex AI)](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/grounding/overview)
-   [Lewis اور ساتھی (2020)، Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
-   [Anthropic، ہیلوسینیشنز کم کرنا (براہِ راست اقتباسات اور حوالے)](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [BroadNet Inference API حوالہ، ماڈل IDs اور کانٹیکسٹ (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-glossary-grounding&utm_content=sources#models)
