LLM, co to jest. Model przewiduje następny kawałek tekstu, a nie sprawdza faktów
Czym jest duży model językowy, jak się go trenuje, dlaczego zmyśla z pełnym przekonaniem i czym model różni się od aplikacji, takiej jak Claude czy ChatGPT.
W tym tekście
W skrócie
LLM, czyli duży model językowy, to program wytrenowany na ogromnej ilości tekstu, który pisze odpowiedź kawałek po kawałku, przewidując, co pasuje dalej. Dlatego potrafi brzmieć pewnie i jednocześnie zmyślać, a Anthropic nazywa to halucynacją. Claude i ChatGPT to aplikacje, w których taki model pracuje razem z narzędziami.
Pracownik pyta czat o przepis w nowej ustawie i dostaje odpowiedź z numerem artykułu, tytułem i krótkim cytatem. Brzmi pewnie. Takiego artykułu nie ma. Żeby zrozumieć, skąd się to bierze, trzeba wiedzieć, czym jest LLM, czyli duży model językowy, i co dokładnie robi, gdy odpowiada.
Krótka definicja jest w naszym słowniku AI. Tutaj idziemy głębiej. Tekst należy do przewodnika po Claude Code, a fakty o modelach opieramy na słowniczku Anthropic, stan na 10 listopada 2026.
LLM, co to jest w kilku zdaniach
LLM to skrót od angielskiego large language model. Anthropic opisuje go jako model językowy z bardzo dużą liczbą parametrów, wytrenowany na ogromnej ilości tekstu, który potrafi pisać, odpowiadać na pytania i streszczać. Parametry to liczby wewnątrz modelu, ustawiane w czasie treningu.
Model nie jest bazą danych z gotowymi odpowiedziami. Nie ma w nim tabeli z przepisami ani katalogu stron, do którego zagląda. Jest zbiorem wyuczonych zależności między kawałkami tekstu. Z tego bierze się zarówno jego siła, jak i słabość.
Jak trenuje się model językowy
Trening ma dwa etapy. Pierwszy to pretrening. Model czyta ogromny zbiór tekstów i uczy się przewidywać następne słowo na podstawie tego, co było wcześniej. Anthropic pisze wprost, że model po samym pretreningu słabo odpowiada na pytania i słabo wykonuje polecenia.
Drugi etap to dostrajanie. Model trenuje się dalej na dodatkowych danych, a potem metodą RLHF, czyli uczeniem ze wzmocnieniem na podstawie ocen ludzi. Ludzie porównują kilka odpowiedzi i wskazują lepszą, a model uczy się pisać tak jak te wyżej ocenione. Dopiero po tym etapie zachowuje się jak asystent, który odpowiada na pytania i trzyma się poleceń. Claude przeszedł oba etapy.
Z treningu wynika też data graniczna wiedzy. Model zna świat do pewnego momentu, a później już niczego nie czytał. Anthropic podaje tę datę dla każdego modelu w przeglądzie modeli. Dla obecnych modeli Claude to czerwiec 2026. O tym, co stało się później, model wie tylko wtedy, gdy ma wyszukiwarkę albo gdy mu to wkleicie.
Przewidywanie następnego tokenu
Model nie widzi liter ani całych słów. Tekst jest dzielony na tokeny, czyli kawałki słów, czasem całe krótkie słowa albo pojedyncze znaki. Więcej o nich piszemy w tekście o tokenach i oknie kontekstu.
Odpowiedź powstaje token po tokenie. Model patrzy na całą rozmowę, wylicza, które kawałki pasują dalej, wybiera jeden, dokleja go i powtarza to samo dla następnego. Nowsze modele potrafią przed odpowiedzią myśleć, ale to myślenie też jest tekstem generowanym token po tokenie i liczy się jak reszta odpowiedzi.
Wybór kolejnego tokenu nie zawsze wypada tak samo. Steruje tym parametr nazywany temperaturą. Przy wyższej odpowiedzi są bardziej różnorodne, przy niższej bardziej przewidywalne. Anthropic zaznacza, że nawet przy temperaturze zero to samo pytanie może dać różne odpowiedzi. Stąd różne liczby w tym samym raporcie zrobionym dwa razy, o czym piszemy w tekście o powtarzalnych wynikach AI.
Dlaczego LLM zmyśla
Model uczył się pisać tekst, który pasuje do kontekstu i przypomina to, co już czytał. Z opisu treningu widać, że celem było trafne przewidywanie dalszego ciągu, a nie sprawdzanie prawdy. Gdy pytacie o coś, czego model dobrze nie zna, i tak napisze zdanie, które brzmi poprawnie. Numer artykułu z początku tekstu wygląda jak prawdziwy, bo prawdziwe numery wyglądają podobnie.
Anthropic nazywa to halucynacją i w poradniku o ograniczaniu halucynacji podaje trzy podstawowe sposoby. Pierwszy to wprost pozwolić modelowi powiedzieć „nie wiem”. Drugi dotyczy długich dokumentów. Model ma najpierw wypisać dosłowne cytaty, a dopiero potem na nich pracować. Trzeci to kazać mu podać źródło każdego twierdzenia i wycofać to, czego nie potwierdzi cytatem. Dokumentacja dodaje, że te metody zmniejszają liczbę halucynacji, ale ich nie usuwają, więc ważne informacje i tak trzeba sprawdzić.
W zwykłym czacie może to wyglądać tak.
Odpowiadaj tylko na podstawie załączonej umowy. Do każdej odpowiedzi dodaj dosłowny cytat z umowy. Jeśli w umowie czegoś nie ma, napisz „brak w dokumencie”.
W czym LLM jest dobry, a w czym nie
Model dobrze radzi sobie z tekstem, który już macie. Streszcza, przepisuje innym tonem, tłumaczy, układa notatki w tabelę i pisze pierwszą wersję maila albo opisu. Obecne modele Claude czytają też obrazy i działają w wielu językach.
Słabiej wypada tam, gdzie liczy się fakt spoza rozmowy. Daty, numery przepisów, ceny, dane kontaktowe. Odpowiedź z pamięci modelu jest tu tylko punktem wyjścia do sprawdzenia w źródle. Przy dużych tabelach u nas model pisze formułę albo skrypt, a liczy arkusz albo kod. Wtedy wynik da się sprawdzić, zamiast mu wierzyć.
Pomaga też dobry opis zadania. Kontekst, cel i to, czego model ma nie robić, opisaliśmy w tekście o tym, jak pisać prompty.
Model a aplikacja, czyli Claude i ChatGPT
Claude i ChatGPT to nazwy aplikacji, a w środku każdej działa jeden albo kilka modeli. Aplikacja dokłada do modelu resztę. Okno rozmowy, pamięć, wyszukiwarkę, pliki i połączenia z pocztą czy kalendarzem. W aplikacji Claude jest wybór modelu, a w Claude Code zmienia się go poleceniem /model.
Anthropic ma dziś kilka modeli o różnym przeznaczeniu. Najmocniejsze są do wymagającego rozumowania i długiej pracy agentowej, najlżejszy do szybkich zadań w dużej ilości, takich jak klasyfikowanie czy wyciąganie danych. Jak dobrać model do zadania, opisaliśmy w tekście który model AI wybrać.
Sam model tylko pisze tekst. Gdy dostaje narzędzia, na przykład do czytania plików albo uruchamiania poleceń, może sam wykonywać kolejne kroki. Wtedy mówimy o agencie, którego opisaliśmy w tekście co to jest agent AI.
Traktujcie odpowiedź modelu jak szkic od kogoś, kto dużo czytał, ale niczego nie sprawdził. Fakty, które idą do klienta albo do urzędu, potwierdzajcie w źródle.
Jeśli chcecie wiedzieć, gdzie AI może zdjąć pracę z Waszej firmy, zamówcie bezpłatny audyt AI. Przejrzymy Wasze zadania i powiemy, od czego zacząć.
Co chcecie zmienić w swojej firmie?
Zostawcie numer. Porozmawiamy o Waszym procesie i sprawdzimy, czy możemy pomóc. Pierwsza rozmowa jest bezpłatna.
Usługa, o której jest ten tekst
Automatyzacja i AI / OCRAutomatyzacja przepisywania dokumentów, OCR i reguły sprawdzania, a dane zostają u Was.