Apa Itu LLM?

Tiga kata, dalam urutan yang penting

Uraikan namanya dari belakang.

Model. Model adalah fungsi yang mengubah masukan menjadi keluaran, dengan aturan yang dipelajari dari data, bukan ditulis oleh programmer. Model cuaca mengambil pembacaan hari ini dan mengeluarkan prakiraan besok. Model bahasa mengambil teks dan mengeluarkan probabilitas kata berikutnya.

Language (bahasa). Masukan dan keluarannya adalah teks, dipotong menjadi token, yaitu potongan-potongan kata. Apa itu token dalam AI membahas unit ini; singkatnya, model membaca dan menulis dalam pecahan sekitar tiga perempat kata.

Large (besar). Model memiliki jumlah parameter yang sangat besar, yaitu angka internal yang disesuaikan oleh pelatihan. GPT-2 pada 2019 memiliki 1,5 miliar. GPT-3 pada 2020 memiliki 175 miliar. Katalog yang diberi harga di situs ini pada 2026 mencakup model Qwen dengan 2,4 triliun parameter, sekitar 95 miliar di antaranya aktif pada satu token mana pun. Kata "large" bekerja keras dalam nama ini, dan jumlahnya tumbuh lebih dari seribu kali lipat dalam tujuh tahun.

Jadi LLM adalah penebak token berikutnya yang sangat besar. Setiap sifat lain yang dikaitkan orang dengannya, penalarannya, nadanya, kesalahan percaya dirinya, semuanya berasal dari satu tugas itu.

LLM bukan chatbot, dan bedanya adalah keseluruhan produk

ChatGPT adalah aplikasi. GPT adalah model di dalamnya. Claude adalah sekaligus keluarga model dan aplikasi yang dibungkus Anthropic di sekelilingnya. Gemini punya cerita yang sama di Google. Apa itu chatbot AI membahas lapisan aplikasi; halaman ini membahas mesinnya.

Perbedaan ini berhenti menjadi hal akademis begitu Anda tahu mesinnya bisa ditukar. Jendela obrolan yang sama bisa mengirim pesan Anda ke GPT, Claude, Gemini, DeepSeek, atau Llama, dan jawabannya berbeda dalam nada, biaya, kecepatan, dan akurasi. Ruang kerja multi-model seperti Whizi persis seperti itu: satu jendela, 280+ model di baliknya, dan pemilih untuk menentukan mana yang menjawab. Aplikasi adalah setirnya. LLM adalah mesinnya, dan ada lusinan mesin.

Bagaimana LLM dilatih, dalam dua tahap

Tahap satu, pretraining. Model membaca korpus teks yang sangat besar dan, untuk setiap posisi, mencoba menebak token berikutnya. Setiap tebakan salah menggeser parameternya sedikit. Meta melaporkan bahwa Llama 3 dilatih dengan lebih dari 15 triliun token, yang, dengan sekitar 100.000 token untuk novel 75.000 kata (tiga perempat kata per token), setara teks dari sekitar 150 juta buku. Setelah tahap ini model menjadi autocomplete yang hebat namun asisten yang buruk: tanyakan sesuatu dan ia mungkin melanjutkan dengan tiga pertanyaan lagi, karena begitulah yang sering dilakukan teks di internet.

Tahap dua, post-training. Model kemudian ditunjukkan contoh jawaban yang baik dan dinilai oleh manusia mengenai balasan mana yang lebih baik dari dua pilihan, sebuah proses yang disebut reinforcement learning from human feedback, atau RLHF. Dari sinilah perilaku asisten muncul: menjawab pertanyaan dalam format yang Anda minta, dan menolak beberapa permintaan. Ini adalah pembinaan, bukan pengetahuan baru. Faktanya tetap berasal dari tahap satu.

Dua hal mengikuti dari dua tahap ini. Pengetahuan model berhenti pada tanggal data pretraining-nya berakhir, itulah sebabnya setiap model punya batas pengetahuan (knowledge cutoff). Dan tidak ada langkah di kedua tahap itu yang memasang pemeriksa fakta: model belajar menghasilkan teks yang mungkin, lalu menghasilkan teks yang disukai. Kebenaran hanyalah efek samping yang sering terjadi dari keduanya, bukan jaminan. Mengapa AI sering keliru membahas ini lebih jauh.

Mengapa LLM menebak, bukan mencari

Mesin pencari mengambil (retrieve). Ia punya indeks halaman dan mengembalikan yang cocok. LLM tidak punya indeks. Semua yang dibacanya selama pretraining dikompresi ke dalam parameternya, dan saat menjawab ia membangkitkan ulang teks dari kompresi itu, satu token setiap kali, memilih setiap token dari distribusi probabilitas.

Inilah sebabnya LLM bisa menulis resep yang berhasil untuk hidangan yang namanya belum pernah dilihatnya, dan juga sebabnya ia bisa menghasilkan kutipan pengadilan yang tidak ada. Keduanya adalah kelanjutan yang masuk akal. Model tidak punya mekanisme terpisah yang memeriksa apakah kelanjutan yang masuk akal itu nyata.

Solusi yang dipakai produk adalah menambahkan pengambilan (retrieval): mencari di web atau file Anda dulu, lalu menyerahkan potongan teks itu ke model dan meminta ia menjawab berdasarkan itu. Teknik ini disebut RAG, dan apa itu RAG menjelaskannya. Pencarian web di dalam aplikasi obrolan adalah RAG dengan internet sebagai sumbernya. Modelnya tetap menebak; ia hanya menebak dari materi yang lebih baik.

Apa yang dibeli harga dalam satu keluarga, terukur

Setiap keluarga menghadirkan tangga: model kecil, model menengah, model andalan (flagship). Artificial Analysis Intelligence Index, skor gabungan dari berbagai tolok ukur penalaran, pengodean, dan pengetahuan publik, memberi angka pada setiap anak tangga, dan papan peringkatnya mencantumkan harga campuran per juta token di sebelahnya. Empat tangga di bawah ini dibaca pada 2026-09-17.

OpenAI membeli 15 poin dengan harga 18 kali lipat, Anthropic 35 poin dengan 36 kali lipat, Qwen 19 poin dengan 16 kali lipat. DeepSeek mematahkan pola ini: V4 Flash mengungguli V4 Pro dengan harga kurang dari separuhnya. Ada dua hal yang mengikuti. Dalam satu keluarga, beberapa poin terakhir adalah yang paling mahal, jadi untuk pertanyaan faktual singkat, model kecil memberi jawaban yang sama dengan model andalan. Dan lintas keluarga, harga adalah petunjuk kualitas yang lemah: DeepSeek V4 Flash seharga $0.27 per juta token mendapat skor dua poin di atas Claude Sonnet 5 seharga $5.09. Itulah hal paling berguna untuk diketahui pembeli tentang LLM: model adalah kenop yang bisa diputar, bukan biaya tetap. Whizi mengenakan biaya dengan logika yang sama, satu kredit untuk pesan pada model rumahan, 20 untuk Claude Opus 5, dan sampai 100 untuk baris termahal, yang dijabarkan per model di cara kerja kredit Whizi.

Peringatan jujurnya, indeks gabungan adalah rata-rata dari berbagai tugas. Untuk rantai penalaran yang panjang, model andalan pantas mendapat harganya; untuk sekadar menulis ulang, tidak. Untuk perbandingan keunggulan masing-masing keluarga, model AI mana yang sebaiknya saya pakai adalah halaman keputusannya.

Apa yang tidak bisa dilakukan LLM, dalam satu daftar

Semua di bawah ini adalah konsekuensi dari arsitekturnya, bukan bug yang akan diperbaiki rilis berikutnya.

• Ia tidak bisa tahu apa pun setelah batas pelatihannya kecuali retrieval menyerahkan teksnya.
• Ia tidak bisa menghitung dengan andal pada masukan panjang, karena ia bekerja dalam token dan probabilitas, bukan dalam perulangan atas item.
• Ia tidak bisa memverifikasi keluarannya sendiri; putaran kedua oleh model yang sama adalah penebak yang sama menebak lagi.
• Ia tidak bisa mengingat Anda antar percakapan kecuali produknya menyimpan catatan dan menempelkannya kembali; memori itu adalah fitur produk, bukan fitur model.
• Ia tidak bisa melihat seluruh percakapan selamanya. Setiap model punya jendela konteks, jumlah teks maksimum yang bisa dipertimbangkan sekaligus, dan apa itu jendela konteks menjelaskan yang terjadi saat Anda mencapainya.

Konsekuensi praktisnya: perlakukan LLM sebagai kolega yang lancar bicara namun sesekali salah, dan simpan verifikasinya di sisi meja Anda. Putaran yang mengubah model menjadi sesuatu yang bertindak sendiri adalah hal berbeda, dan apa itu agen AI menarik garis itu. Untuk apa pun yang menyangkut biaya, tanyakan model kedua. Dua penebak berbeda yang sepakat adalah bukti lemah; dua yang tidak sepakat adalah sinyal kuat untuk memeriksa.