तीन शब्द, उस क्रम में जो मायने रखता है
नाम को उल्टे क्रम में समझते हैं।
Model. मॉडल एक फंक्शन है जो इनपुट को आउटपुट में बदलता है, और इसके नियम डेटा से सीखे जाते हैं, किसी प्रोग्रामर द्वारा लिखे नहीं जाते। मौसम का मॉडल आज की रीडिंग लेकर कल का अनुमान देता है। लैंग्वेज मॉडल टेक्स्ट लेकर अगले शब्द की संभावना बताता है।
Language. इनपुट और आउटपुट दोनों टेक्स्ट होते हैं, जिन्हें टोकन में काटा जाता है, यानी शब्दों के टुकड़े। AI में टोकन क्या हैं इस यूनिट को विस्तार से समझाता है; संक्षेप में कहें तो मॉडल लगभग तीन चौथाई शब्द जितने टुकड़ों में पढ़ता और लिखता है।
Large. मॉडल में पैरामीटर्स की संख्या बहुत बड़ी होती है, यानी वे आंतरिक नंबर जिन्हें ट्रेनिंग एडजस्ट करती है। 2019 में GPT-2 के पास 1.5 बिलियन पैरामीटर थे। 2020 में GPT-3 के पास 175 बिलियन थे। इस साइट पर 2026 में जो कैटलॉग है उसमें एक Qwen मॉडल शामिल है जिसमें 2.4 ट्रिलियन पैरामीटर हैं, जिनमें से किसी भी एक टोकन पर लगभग 95 बिलियन ही सक्रिय होते हैं। नाम में large शब्द बहुत कुछ बयां करता है, और यह संख्या सात साल में एक हज़ार गुने से भी ज़्यादा बढ़ चुकी है।
तो LLM असल में एक बहुत बड़ा अगला-टोकन अनुमान लगाने वाला सिस्टम है। बाकी हर गुण जो लोग इसमें देखते हैं, तर्क करना, लहजा, आत्मविश्वास से भरी गलतियां, यह सब उसी एक काम से निकलता है।
LLM चैटबॉट नहीं है, और यही फर्क पूरा प्रोडक्ट तय करता है
ChatGPT एक ऐप है। GPT उसके अंदर का मॉडल है। Claude दोनों है, मॉडल्स की एक फैमिली भी और Anthropic का बनाया ऐप भी। Gemini के साथ Google में भी यही कहानी है। AI चैटबॉट क्या है ऐप लेयर को कवर करता है; यह पेज इंजन के बारे में है।
यह फर्क अकादमिक नहीं रह जाता जिस पल आपको पता चलता है कि इंजन बदला जा सकता है। एक ही चैट विंडो आपका मैसेज GPT, Claude, Gemini, DeepSeek या Llama को भेज सकती है, और जवाब लहजे, कीमत, स्पीड और सटीकता में अलग होते हैं। Whizi जैसा मल्टी-मॉडल वर्कस्पेस ठीक यही है: एक विंडो, उसके पीछे 280+ मॉडल, और चुनने के लिए एक पिकर। ऐप स्टीयरिंग व्हील है। LLM इंजन है, और इंजन दर्जनों हैं।
| Layer | What it is | Examples |
|---|---|---|
| मॉडल (LLM) | वह ट्रेंड नेटवर्क जो टेक्स्ट बनाता है | GPT, Claude, Gemini, Llama, DeepSeek, Qwen |
| प्रोडक्ट | ऐप, मेमोरी, फाइल अपलोड, कीमत | ChatGPT, Claude.ai, Gemini app, Whizi |
| एक्सेस | मॉडल तक पहुंचने का तरीका | एक कंज्यूमर ऐप, एक API, एक मल्टी-मॉडल वर्कस्पेस |
LLM को कैसे ट्रेन किया जाता है, दो चरणों में
पहला चरण, प्रीट्रेनिंग। मॉडल टेक्स्ट का एक विशाल भंडार पढ़ता है और हर पोज़िशन पर अगला टोकन अनुमानित करने की कोशिश करता है। हर गलत अनुमान पैरामीटर्स को थोड़ा सा एडजस्ट करता है। Meta ने बताया कि Llama 3 को 15 ट्रिलियन से ज़्यादा टोकन पर प्रीट्रेन किया गया, जो 75,000 शब्दों वाले उपन्यास के लगभग 100,000 टोकन (एक टोकन में तीन चौथाई शब्द) के हिसाब से लगभग 150 मिलियन किताबों जितना टेक्स्ट है। इस चरण के बाद मॉडल एक शानदार ऑटोकम्प्लीट होता है लेकिन एक कमज़ोर असिस्टेंट: उससे सवाल पूछें तो वह जवाब देने की बजाय तीन और सवाल जोड़ सकता है, क्योंकि इंटरनेट पर टेक्स्ट अक्सर ऐसा ही करता है।
दूसरा चरण, पोस्ट-ट्रेनिंग। इसके बाद मॉडल को अच्छे जवाबों के उदाहरण दिखाए जाते हैं और लोगों से रेटिंग करवाई जाती है कि दो जवाबों में से कौन बेहतर है, इस प्रक्रिया को रीइन्फोर्समेंट लर्निंग फ्रॉम ह्यूमन फीडबैक, यानी RLHF कहा जाता है। यहीं से असिस्टेंट वाला व्यवहार आता है: आपके मांगे फॉर्मेट में सवाल का जवाब देना, और कुछ रिक्वेस्ट को मना करना। यह कोचिंग है, नई जानकारी नहीं। तथ्य अब भी पहले चरण से ही आते हैं।
दोनों चरणों से दो बातें निकलती हैं। मॉडल की जानकारी उस तारीख पर रुक जाती है जहां उसका प्रीट्रेनिंग डेटा खत्म होता है, इसीलिए हर मॉडल की एक नॉलेज कटऑफ होती है। और किसी भी चरण में फैक्ट चेकर नहीं जोड़ा जाता: मॉडल ने संभावित टेक्स्ट बनाना सीखा और फिर पसंद आने वाला टेक्स्ट बनाना सीखा। सच्चाई इन दोनों का एक आम साइड इफेक्ट है, गारंटी नहीं। AI गलतियां क्यों करता है इसे आगे बढ़ाकर समझाता है।
LLM क्यों लुकअप करने की बजाय अनुमान लगाता है
एक सर्च इंजन रिट्रीव करता है। उसके पास पेजों का एक इंडेक्स होता है और वह मैच होने वाले पेज लौटाता है। LLM के पास कोई इंडेक्स नहीं होता। प्रीट्रेनिंग के दौरान उसने जो कुछ पढ़ा वह उसके पैरामीटर्स में कंप्रेस्ड होकर बैठ जाता है, और जवाब देते समय वह उस कंप्रेशन से टेक्स्ट को एक-एक टोकन करके फिर से बनाता है, हर टोकन को एक संभावना डिस्ट्रिब्यूशन से चुनता है।
यही वजह है कि LLM किसी ऐसी डिश की काम करने वाली रेसिपी लिख सकता है जिसका नाम उसने पहले कभी नहीं देखा, और यही वजह है कि वह ऐसी कोर्ट साइटेशन भी बना सकता है जो असल में मौजूद ही नहीं है। दोनों ही संभावित निरंतरता हैं। मॉडल के पास ऐसा कोई अलग मैकेनिज्म नहीं है जो चेक करे कि कोई संभावित निरंतरता असल में सच है या नहीं।
प्रोडक्ट्स जो फिक्स अपनाते हैं वह है रिट्रीवल जोड़ना: पहले वेब या आपकी फाइलें सर्च करना, फिर मॉडल को वे पैसेज देकर उन्हीं से जवाब देने को कहना। इस तकनीक को RAG कहते हैं, और RAG क्या है इसे समझाता है। चैट ऐप के अंदर वेब सर्च असल में इंटरनेट को सोर्स बनाकर किया गया RAG ही है। मॉडल अब भी अनुमान ही लगा रहा है; बस बेहतर सामग्री से लगा रहा है।
एक फैमिली के अंदर कीमत क्या खरीदती है, नापकर देखा गया
हर फैमिली एक सीढ़ी लॉन्च करती है: एक छोटा मॉडल, एक मीडियम, और एक फ्लैगशिप। Artificial Analysis Intelligence Index, जो पब्लिक रीज़निंग, कोडिंग और नॉलेज बेंचमार्क्स का एक कंपोज़िट स्कोर है, हर पायदान पर एक नंबर देता है, और लीडरबोर्ड उसके बगल में प्रति मिलियन टोकन का ब्लेंडेड प्राइस दिखाता है। नीचे दी गई चार सीढ़ियां 2026-09-17 को पढ़ी गई थीं।
OpenAI 18 गुना रेट देकर 15 पॉइंट खरीदता है, Anthropic 36 गुना देकर 35 पॉइंट, Qwen 16 गुना देकर 19 पॉइंट। DeepSeek इस पैटर्न को तोड़ता है: V4 Flash आधी से भी कम कीमत में V4 Pro से बेहतर स्कोर करता है। इससे दो बातें निकलती हैं। एक फैमिली के अंदर आखिरी कुछ पॉइंट सबसे महंगे होते हैं, इसलिए किसी छोटे तथ्यात्मक सवाल पर छोटा मॉडल भी फ्लैगशिप जैसा ही जवाब देता है। और अलग-अलग फैमिलियों में, कीमत क्वालिटी का कमज़ोर संकेतक है: DeepSeek V4 Flash $0.27 प्रति मिलियन टोकन पर Claude Sonnet 5 के $5.09 वाले स्कोर से दो पॉइंट ऊपर स्कोर करता है। एक खरीदार के तौर पर LLM के बारे में जानने लायक सबसे उपयोगी बात यही है: मॉडल एक डायल है, कोई तय कीमत नहीं। Whizi भी इसी तर्क पर चार्ज करता है, हाउस मॉडल पर एक मैसेज के लिए एक क्रेडिट, Claude Opus 5 के लिए 20, और सबसे महंगी रो के लिए 100 तक, जिसे Whizi क्रेडिट कैसे काम करते हैं हर मॉडल के हिसाब से बताता है।
ईमानदार चेतावनी यह है कि एक कंपोज़िट इंडेक्स सभी टास्क का औसत होता है। लंबी रीज़निंग चेन के लिए फ्लैगशिप अपनी कीमत वसूल करता है; एक रीराइट के लिए नहीं। हर फैमिली असल में किस चीज़ में अच्छी है, इसकी तुलना के लिए कौन सा AI मॉडल इस्तेमाल करूं फैसला लेने वाला पेज है।
LLM क्या नहीं कर सकता, एक लिस्ट में
नीचे दी गई हर बात आर्किटेक्चर का नतीजा है, कोई बग नहीं जिसे अगला रिलीज़ ठीक कर देगा।
- जब तक रिट्रीवल उसे टेक्स्ट न सौंपे, वह अपने ट्रेनिंग कटऑफ के बाद की किसी भी बात को नहीं जान सकता।
- लंबे इनपुट पर वह भरोसेमंद ढंग से गिनती नहीं कर सकता, क्योंकि यह टोकन और संभावनाओं में काम करता है, आइटम्स पर लूप में नहीं।
- वह अपने खुद के आउटपुट को वेरीफाई नहीं कर सकता; उसी मॉडल का दूसरा पास वही प्रेडिक्टर है जो फिर से अंदाज़ा लगा रहा है।
- वह बातचीतों के बीच आपको याद नहीं रख सकता जब तक कि प्रोडक्ट नोट्स सेव करके वापस पेस्ट न करे; वह मेमोरी एक प्रोडक्ट फीचर है, मॉडल का नहीं।
- वह पूरी बातचीत हमेशा के लिए नहीं देख सकता। हर मॉडल की एक कॉन्टेक्स्ट विंडो होती है, यानी वह अधिकतम टेक्स्ट जो वह एक साथ विचार में ले सकता है, और कॉन्टेक्स्ट विंडो क्या है बताता है कि उस लिमिट पर पहुंचने पर क्या होता है।
इसका व्यावहारिक नतीजा: LLM को एक धाराप्रवाह, कभी-कभी गलत सहकर्मी की तरह लें, और वेरिफिकेशन का काम अपने पास ही रखें। मॉडल को ऐसी चीज़ में बदलने वाला लूप जो खुद अपने दम पर काम करे, वह एक अलग बात है, और AI एजेंट क्या है यह फर्क साफ करता है। जहां भी कोई कीमत जुड़ी हो, वहां दूसरे मॉडल से भी पूछें। दो अलग-अलग प्रेडिक्टर्स का सहमत होना कमज़ोर सबूत है; दोनों का असहमत होना चेक करने का पक्का संकेत है।
- जब आपका मतलब LLM से हो तो "मॉडल" कहें और जब मतलब ChatGPT, Claude या Gemini से हो तो "ऐप" कहें; अब दोनों अलग-अलग बिकते हैं
- मान लें कि जानकारी ट्रेनिंग कटऑफ पर रुक जाती है, और जब जवाब किसी हालिया या निजी बात पर निर्भर करे तो वेब सर्च ऑन करें या डॉक्यूमेंट अपलोड करें
- किसी फैमिली में छोटे मॉडल से शुरुआत करें और तभी ऊपर जाएं जब जवाब पर्याप्त न लगे
- किसी नंबर, साइटेशन या कानूनी या मेडिकल दावे पर अमल करने से पहले दूसरे मॉडल से भी पूछें
- लंबे डॉक्यूमेंट्स पर कॉन्टेक्स्ट विंडो पर नज़र रखें; क्वालिटी बताई गई लिमिट से पहले ही गिरने लगती है
अक्सर पूछे जाने वाले सवाल
LLM का फुल फॉर्म क्या है?
LLM का मतलब है लार्ज लैंग्वेज मॉडल। Large का मतलब है पैरामीटर्स की संख्या, यानी वे आंतरिक नंबर जो ट्रेनिंग सेट करती है, जो कुछ बिलियन से लेकर कुछ ट्रिलियन तक हो सकते हैं। Language का मतलब है कि इनपुट और आउटपुट टेक्स्ट होते हैं। Model का मतलब है कि व्यवहार डेटा से सीखा गया है, हाथ से प्रोग्राम नहीं किया गया।
क्या ChatGPT एक LLM है?
ChatGPT एक ऐप है जो LLM पर बना है। मॉडल GPT है; ChatGPT चैट विंडो, मेमोरी, फाइल अपलोड और उसके इर्दगिर्द की सब्सक्रिप्शन है। वही GPT मॉडल्स दूसरे ऐप्स के ज़रिए भी उपलब्ध हैं, जिनमें मल्टी-मॉडल वर्कस्पेस भी शामिल हैं जहां वे Claude और Gemini के साथ बैठते हैं।
LLM सर्च इंजन से कैसे अलग है?
सर्च इंजन पेजों का एक इंडेक्स रखता है और आपकी क्वेरी से मैच होने वाले पेज लौटाता है। LLM कोई इंडेक्स नहीं रखता; वह ट्रेनिंग के दौरान अपने पैरामीटर्स में कंप्रेस्ड हुए पैटर्न से आपके टेक्स्ट की एक संभावित निरंतरता जनरेट करता है। इसीलिए LLM ऐसे सवाल का जवाब दे सकता है जिसका जवाब किसी पेज ने कभी नहीं दिया, और इसी वजह से वह एक आत्मविश्वास से भरा लेकिन गलत जवाब भी दे सकता है।
क्या LLM मेरी बातचीतों से सीखते हैं?
बातचीत के दौरान नहीं। ट्रेनिंग खत्म होने के बाद पैरामीटर्स फिक्स हो जाते हैं, इसलिए आप जो भी टाइप करते हैं उससे मॉडल में कोई बदलाव नहीं आता। कोई प्रोवाइडर आगे चलकर आपकी चैट्स को भविष्य के मॉडल के लिए ट्रेनिंग डेटा के तौर पर इस्तेमाल करता है या नहीं, यह एक पॉलिसी सवाल है जो हर प्रोडक्ट और प्लान के हिसाब से अलग होता है, इसलिए कुछ भी निजी पेस्ट करने से पहले जिस भी ऐप का इस्तेमाल कर रहे हैं उसकी प्राइवेसी शर्तें पढ़ लें।
LLM चलाने में कितना खर्च आता है?
लिस्ट प्राइस पर, 1,000 इनपुट टोकन और 500 आउटपुट टोकन वाले एक स्टैंडर्ड जवाब की कीमत GPT-5.6 Luna पर लगभग $0.0008 और GPT-5.5 पर $0.02 है, यह 2026-08-20 को फेच किए गए कॉस्ट इंडेक्स में दिए OpenRouter प्राइस के मुताबिक है। प्रति मिलियन टोकन, Artificial Analysis लीडरबोर्ड GPT-5.6 Luna को $0.18 ब्लेंडेड और Claude Fable 5.1 को $7.63 पर सूचीबद्ध करता है। एक सब्सक्रिप्शन ऐसे हज़ारों जवाबों को बंडल करती है; प्रति-जवाब आंकड़ा वह है जो एक डेवलपर API के ज़रिए चुकाता है।
