Що таке LLM?

Три слова у порядку, який має значення

Розберемо назву з кінця.

Модель. Модель це функція, яка перетворює вхідні дані на вихідні за правилами, вивченими з даних, а не написаними програмістом. Модель погоди бере сьогоднішні показники і видає завтрашній прогноз. Мовна модель бере текст і видає ймовірність того, що йде далі.

Мовна. Вхід і вихід це текст, розбитий на токени, тобто фрагменти слів. Що таке токени в ШІ розглядає цю одиницю детальніше; коротко: модель читає і пише фрагментами приблизно у три чверті слова.

Велика. Модель має дуже велику кількість параметрів, внутрішніх чисел, які коригує навчання. GPT-2 у 2019 році мала 1,5 мільярда. GPT-3 у 2020 році мала 175 мільярдів. Каталог, ціни якого цей сайт наводить у 2026 році, включає модель Qwen на 2,4 трильйона параметрів, з яких на будь-якому токені активні близько 95 мільярдів. Слово "велика" тут не для краси: кількість зросла більш ніж у тисячу разів за сім років.

Отже, LLM це дуже великий предиктор наступного токена. Усі інші властивості, які їй приписують, міркування, тон, впевнені помилки, випливають саме з цього завдання.

LLM це не чат-бот, і різниця тут визначає весь продукт

ChatGPT це застосунок. GPT це модель всередині нього. Claude це і родина моделей, і застосунок, який Anthropic будує навколо них. У Google та сама історія з Gemini. Що таке чат-бот на основі ШІ розглядає рівень застосунку; ця сторінка про двигун.

Різниця перестає бути теоретичною тієї миті, коли ви дізнаєтесь, що двигун можна замінити. Те саме вікно чату може надіслати ваше повідомлення до GPT, Claude, Gemini, DeepSeek або Llama, і відповіді відрізнятимуться тоном, ціною, швидкістю і точністю. Багатомодельний робочий простір на кшталт Whizi саме це і робить: одне вікно, 280+ моделей за ним і перемикач, щоб обрати, хто відповідає. Застосунок це кермо. LLM це двигун, і таких двигунів десятки.

Як навчають LLM: два етапи

Етап перший, попереднє навчання. Модель читає величезний корпус тексту і на кожній позиції намагається вгадати наступний токен. Кожна помилкова здогадка трохи зсуває параметри. Meta повідомляла, що Llama 3 попередньо навчали на понад 15 трильйонах токенів, що за приблизно 100 000 токенів на роман у 75 000 слів (три чверті слова на токен) дорівнює тексту приблизно 150 мільйонів книжок. Після цього етапу модель це чудове автозаповнення і поганий асистент: спитайте її щось, і вона може продовжити ще трьома запитаннями, бо саме так часто поводиться текст в інтернеті.

Етап другий, донавчання. Далі моделі показують приклади хороших відповідей, а люди оцінюють, яка з двох відповідей краща. Цей процес називають навчанням з підкріпленням на основі відгуків людей, або RLHF. Саме звідси береться поведінка асистента: відповідати у форматі, який ви попросили, і відмовляти у деяких запитах. Це коучинг, а не нові знання. Факти й далі беруться з першого етапу.

З двох етапів випливають дві речі. Знання моделі зупиняються на даті, коли закінчилися дані попереднього навчання, тому в кожної моделі є межа знань. І жоден з етапів не додає перевірку фактів: модель навчилася створювати ймовірний текст, а потім приємний текст. Правда часто є побічним ефектом обох процесів, а не гарантією. Чому ШІ помиляється розглядає це докладніше.

Чому LLM передбачає, а не шукає

Пошукова система здійснює пошук. У неї є індекс сторінок, і вона повертає ті, що збігаються. У LLM немає індексу. Усе, що вона прочитала під час попереднього навчання, стиснуто в її параметрах, і під час відповіді вона відтворює текст із цього стиснення, токен за токеном, обираючи кожен токен з розподілу ймовірностей.

Саме тому LLM може написати робочий рецепт страви, назву якої вона ніколи не бачила, і саме тому вона може видати неіснуюче судове рішення як цитату. Обидва варіанти правдоподібні продовження. У моделі немає окремого механізму, який би перевіряв, чи правдоподібне продовження є реальним.

Виправлення, яке використовують продукти, це додати пошук ззовні: спочатку шукати в інтернеті чи у ваших файлах, а потім передати моделі знайдені фрагменти і попросити відповісти на їх основі. Цю техніку називають RAG, і що таке RAG пояснює її. Веб-пошук усередині чат-застосунку це RAG з інтернетом як джерелом. Модель усе одно передбачає, просто з кращого матеріалу.

Що дає ціна всередині родини, у цифрах

Кожна родина випускає сходинки: малу модель, середню, флагман. Artificial Analysis Intelligence Index, комбінована оцінка за публічними бенчмарками міркування, кодування і знань, ставить число на кожну сходинку, а таблиця лідерів наводить поруч змішану ціну за мільйон токенів. Чотири сходинки нижче зчитані 2026-09-17.

OpenAI купує 15 пунктів за ціну у 18 разів вищу, Anthropic 35 пунктів за 36 разів, Qwen 19 пунктів за 16 разів. DeepSeek ламає цю закономірність: V4 Flash обходить V4 Pro менш ніж за половину ціни. З цього випливають дві речі. Усередині родини останні кілька пунктів найдорожчі, тож для короткого фактичного запитання мала модель дає ту саму відповідь, що й флагман. А між родинами ціна погано вказує на якість: DeepSeek V4 Flash за $0.27 за мільйон токенів набирає на два пункти більше за Claude Sonnet 5 за $5.09. Це найкорисніше, що варто знати про LLM як покупцю: модель це регулятор, а не фіксована вартість. Whizi рахує за тією ж логікою, один кредит за повідомлення на домашній моделі, 20 за Claude Opus 5, і до 100 за найдорожчі рядки, і як працюють кредити Whizi розписує це по моделях.

Чесне застереження: сукупний індекс це середнє за завданнями. Для довгого ланцюга міркувань флагман виправдовує свою ціну; для переписування тексту, ні. Для порівняння того, у чому насправді сильна кожна родина, яку модель ШІ обрати є сторінкою для ухвалення рішення.

Чого LLM не вміє: одним списком

Усе нижче є наслідком архітектури, а не багом, який виправить наступний реліз.

• Вона не може знати нічого після межі свого навчання, якщо тільки пошук не передасть їй потрібний текст.
• Вона не може надійно рахувати на довгих вхідних даних, бо працює з токенами і ймовірностями, а не циклом по елементах.
• Вона не може перевірити власний результат: другий прохід тієї самої моделі це той самий предиктор, який знову вгадує.
• Вона не може пам'ятати вас між розмовами, якщо продукт не зберігає нотатки і не вставляє їх назад; ця пам'ять це функція продукту, а не моделі.
• Вона не бачить усю розмову вічно. У кожної моделі є контекстне вікно, максимальний обсяг тексту, який вона може враховувати одночасно, і що таке контекстне вікно пояснює, що відбувається, коли ви його вичерпуєте.

Практичний висновок: сприймайте LLM як вправного, але часом помилкового колегу, а перевірку тримайте на своєму боці столу. Цикл, який перетворює модель на щось, що діє самостійно, це інша річ, і що таке AI-агент проводить цю межу. Для всього, з чим пов'язана ціна, спитайте другу модель. Коли два різні предиктори погоджуються, це слабкий доказ; коли не погоджуються, це сильний сигнал перевірити.