В этой статье · 5 разделов
Простыми словами
LLM расшифровывается как large language model, большая языковая модель. Это нейросеть, которую обучили на триллионах слов из книг, сайтов и кода делать одну вещь: угадывать, какое слово (точнее, токен) идёт следующим. Оказалось, что если делать это очень хорошо и на очень большом объёме текста, модель начинает отвечать на вопросы, переводить, писать код и объяснять шутки. Никакого отдельного «модуля знаний» внутри нет: всё, что она «знает», растворено в весах сети.
Когда вы пишете запрос в ChatGPT или Claude, текст режется на токены, модель по очереди предсказывает следующий токен, добавляет его к тексту и повторяет. Так, слово за словом, появляется ответ. Поэтому ответ печатается постепенно: это не анимация, модель правда генерирует его по кусочку.
Где это встречается на практике
В каталоге слово «LLM» мелькает в трёх местах. Во-первых, в названиях моделей: GPT, Claude, Gemini, DeepSeek, Qwen — это всё LLM разных компаний. Во-вторых, в тарифах API: разработчики платят за токены, которые модель прочитала и написала, а не за запросы. В-третьих, в разговорах про лимиты: у каждой модели есть контекстное окно, и когда диалог не помещается, модель начинает «забывать» начало.
Почему модели ошибаются
LLM не ищет ответ в справочнике. Она продолжает текст так, чтобы он выглядел правдоподобно. Если спросить про несуществующую книгу, модель может уверенно описать сюжет и назвать год издания. Это называют галлюцинацией. Лечится это не «более умной моделью», а подключением источников: поиск по интернету, загруженные документы, базы знаний. Поэтому для фактов стоит выбирать режимы с источниками и проверять ссылки.
Чем модели отличаются друг от друга
Размером и данными обучения, но для пользователя важнее другое: длина контекста (сколько текста можно загрузить за раз), умение рассуждать над сложной задачей, качество русского языка, скорость и цена. Флагманские модели у каждой компании стоят дороже и думают дольше, лёгкие версии отвечают мгновенно и почти бесплатно. На практике большинству задач хватает средней модели, а флагман нужен для длинных документов, кода и многошаговых рассуждений.
Что запомнить
LLM предсказывает следующий токен и делает это так хорошо, что это выглядит как понимание. Она не хранит факты в явном виде, поэтому может ошибаться. Выбирать модель стоит под задачу, а не по рейтингу: длина контекста, русский язык, цена и наличие поиска важнее абстрактной «умности».