🧠 Что такое LLM

LLM (Large Language Model, большая языковая модель) — это программа, которая научилась предсказывать, какое слово должно идти следующим в тексте, прочитав перед этим миллиарды страниц. Из этого, казалось бы, механического умения вырастает всё остальное: ответы на вопросы, написание кода, анализ договоров, ведение диалога.

Главная идея, которую нужно усвоить до всего остального: LLM не «знает» факты и не «думает» в человеческом смысле. Она порождает текст, который статистически правдоподобно продолжает ваш запрос. В девяти случаях из десяти это выглядит как мышление — и именно поэтому так легко обмануться.

Одно предложение для совета директоров

LLM — это сверхбыстрый «продолжатель текста», натренированный почти на всём интернете; её сила — в работе с естественным языком, её главная слабость — в том, что правдоподобие для неё важнее правды.

---

Что LLM действительно умеет

LLM прекрасна там, где задача сводится к преобразованию текста в текст:

• 📝 Генерация и редактура — написать письмо, пересказать документ, упростить юридический язык.
• 🔎 Извлечение структуры — вытащить из договора даты, суммы, стороны, обязательства и отдать в виде таблицы или JSON. См. Structured Outputs.
• 🌍 Перевод и переформулирование — с одного языка на другой, с юридического на «человеческий», из технического ТЗ — в бизнес-кейс.
• 🧩 Рассуждение «по шагам» — разложить задачу, сравнить варианты, объяснить решение.
• 💬 Диалог — уточнять у пользователя детали, как это делает ChatGPT или Claude.

Чем LLM НЕ является — и почему это критически важно

Пять опасных заблуждений

1. «LLM — это база данных». Нет. В модели нет таблицы фактов, из которой она их достаёт. Она «вспоминает» приблизительно — поэтому путает даты, суммы и имена.
2. «LLM — это поисковик». Нет. Сама по себе она не подключена к интернету и не знает, что произошло после её обучения. Свежие данные дают через RAG или инструменты (MCP).
3. «Если ответ уверенный — он верный». Нет. Уверенность тона ≠ достоверность. Это и есть природа галлюцинаций.
4. «LLM помнит всё». Только в пределах одного диалога и контекстного окна (02-tokens-context-window). В новом чате она начинает с нуля, если вы не подали контекст сами.
5. «Она считает надёжно». Арифметика, даты, юридические сроки — зона риска. Там, где важна точность, модель должна вызывать калькулятор или внешний инструмент, а не считать «в уме».

Как это устроено — на пальцах

Современная LLM построена на архитектуре Transformer (отсюда «T» в GPT — Generative Pre-trained Transformer). Её ключевой механизм — attention (внимание): читая очередное слово, модель одновременно «оглядывается» на все предыдущие слова и решает, какие из них важны для понимания прямо сейчас.

Аналогия с редактором

Представьте редактора, который читает предложение и для каждого слова подсвечивает маркером те слова, от которых зависит смысл. Attention — это математический аналог такой подсветки, только для тысяч слов сразу и за доли секунды.

flowchart TD
    Internet["📚 Интернет: триллионы слов"]:::data
    Internet --> Train["🛠 Предобучение Transformer"]:::proc
    Train --> Model["🧠 Базовая LLM<br/>предсказывает следующий токен"]:::model
    Model --> Align["⚖ Дообучение: SFT + RLHF"]:::proc
    Align --> Assistant["💬 Ассистент<br/>(ChatGPT, Claude)"]:::model
    Assistant --> Q["Ваш запрос"]
    Q --> A["Ответ"]
    classDef data fill:#e8f5e9,stroke:#4caf50;
    classDef proc fill:#fff4e6,stroke:#e8a04e;
    classDef model fill:#e3f2fd,stroke:#4a90d9;

Подробнее о том, как именно из «голосовой» предсказательной модели получается полезный ассистент, — в 03-kak-sozdayutsya-modeli.

Почему модель называют «языковой»

Потому что её родной интерфейс — естественный язык. Это огромная удача: вам не нужно учить новый формальный язык запросов, как в SQL. Вы говорите с моделью человеческим текстом — и она отвечает человеческим текстом. Отсюда же — способность работать с любыми доменами (право, медицина, код, маркетинг): всё это в обучающих данных уже было.

На практике: что это меняет для руководителя

• Ставя задачу вендору или команде, формулируйте её на языке преобразования текста: «есть 10 000 договоров → нужно извлечь 7 полей → отдать в таблицу». Это честная постановка.
• Там, где нужна точность фактов (даты, суммы, нормы права), закладывайте в архитектуру внешний контроль: RAG, валидацию, human-in-the-loop. См. 08-gallyutsinatsii-i-nadezhnost.
• Не ждите от модели «волшебного знания ваших корпоративных реалий» — её этому нужно научить (fine-tuning) или «напомнить» в момент (RAG).

Где LLM живёт в AI-стеке

Полезно понимать, что LLM — это слой, а не готовый продукт. Сама по себе голая модель бесполезна для бизнеса; вокруг неё строится система:

flowchart LR
    A["🧱 Слой модели<br/>(LLM)"] --> B["⚙ Слой оркестрации<br/>(промпт, RAG, инструменты)"]
    B --> C["🏗 Продукт<br/>(Copilot, агент, бот)"]
    C --> D["🏢 Бизнес-процесс<br/>(заявки, контракты, отчётность)"]

Большая часть стоимости и рисков создаётся не в слое модели, а в слоях оркестрации и внедрения — именно ими занимаются агенты, RAG и внедрение.

---

📌 Что запомнить

• LLM = «продолжатель текста», обученный на интернет-масштабе данных.
• Сильна в преобразовании текст→текст; слаба в точности фактов без внешних опор.
• Не база данных, не поисковик, не калькулятор.
• Архитектура — Transformer, ключевой механизм — attention.
• Голая модель ≠ продукт: ценность — в оркестрации и внедрении.

Дальше: 🔤 Токены и контекстное окно → — как модель «читает» ваш запрос и откуда берутся лимиты и цены.