[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-llm::ru":3,"gloss-cluster-llm::ru":23,"gloss-next-llm::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"llm","core-ai","Большая языковая модель (LLM)","Большая языковая модель (LLM) — это нейросеть, почти всегда построенная на архитектуре трансформера, обученная на огромных объёмах текста (а всё чаще и кода, изображений, аудио) предсказывать следующий токен в последовательности. Эта простая цель обучения, применённая в масштабе сотен миллиардов или триллионов параметров и триллионов обучающих токенов, порождает модели, способные писать, суммировать, переводить, рассуждать пошагово и вести диалог. Claude, GPT-4\u002FGPT-5, Gemini и Llama — всё это LLM, хотя они различаются деталями архитектуры, обучающими данными и тем, как их выравнивают (align), чтобы они были полезными и безопасными. Для SaaS-разработчиков LLM — это движок рассуждений почти за каждой «AI-фичей», которую сегодня выпускают: чат-боты поддержки, копилоты внутри существующих инструментов, генераторы контента и автономные агенты. На практике важно понимать: LLM — это вероятностный предсказатель следующего токена, а не база данных: она не «ищет» факты, а генерирует статистически наиболее вероятное продолжение вашего промпта, исходя из всего, что усвоила во время обучения. Именно поэтому LLM галлюцинируют, поэтому важно заземлять их с помощью ретривала (RAG) и поэтому дизайн промпта так сильно влияет на качество вывода. Под капотом запрос к API LLM — это список сообщений (системный промпт, реплики пользователя, реплики ассистента) плюс параметры вроде temperature и max tokens; модель возвращает completion, потокoво передаваемый токен за токеном. Конкретный пример: функция триажа тикетов поддержки может отправить `{\"model\": \"claude-sonnet-4.5\", \"system\": \"Классифицируй тикеты как billing, bug, feature-request или other. Ответь только категорией.\", \"messages\": [{\"role\": \"user\", \"content\": \"С моей карты дважды списали за один и тот же счёт.\"}]}` и получить в ответ `\"billing\"` менее чем за секунду. Выбирая LLM, разработчики взвешивают стоимость за токен, задержку, размер контекстного окна и то, позволяет ли поставщик дообучение (fine-tuning) или требует кастомизации только через промпт. Модели с открытыми весами (Llama, Mistral) можно размещать на своих серверах для контроля над данными; закрытые модели (Claude, GPT) доступны через API и обновляются поставщиком. Выбор LLM для SaaS-фичи редко бывает разовым решением — большинство продакшн-команд направляют разные задачи на разные уровни моделей внутри одного семейства (быстрая, дешёвая модель для простой классификации; топовая модель для сложных рассуждений) и переоценивают выбор по мере выхода новых версий, поскольку модель, бывшая передовой полгода назад, сегодня может уступать более новому релизу и по стоимости, и по качеству. Разработчикам также стоит закладывать в бюджет то, что вывод LLM по умолчанию недетерминирован (даже при низкой temperature точная побайтовая воспроизводимость между вызовами не гарантирована) и версионирован (устаревание старого снапшота модели у поставщика может незаметно изменить поведение вашего продукта) — поэтому фиксация версий модели и мониторинг качества вывода со временем является стандартной продакшн-практикой, а не паранойей.","LLM — это нейросеть, обученная на огромных текстовых корпусах предсказывать и генерировать человеческую речь; на ней работают чат-боты, копилоты и поиск.",null,[11,14,17,20],{"slug":12,"name":13},"context-window","Контекстное окно",{"slug":15,"name":16},"fine-tuning","Дообучение (Fine-Tuning)",{"slug":18,"name":19},"retrieval-augmented-generation","Генерация с дополненным поиском (RAG)",{"slug":21,"name":22},"transformer","Трансформер",[24,28,32,36,39,42,45,48,51,54,55,58],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":12,"category":5,"name":13,"updated_at":27},{"slug":56,"category":5,"name":57,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":59,"category":5,"name":60,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]