Apakah itu model bahasa besar (LLM)

Nota: Dokumen ini adalah terjemahan automatik daripada versi asal bahasa Inggeris.

Apakah itu model bahasa besar (LLM)

Model bahasa besar (LLM) ialah sejenis rangkaian neural yang dilatih pada jumlah teks yang sangat besar supaya ia boleh memahami dan menjana bahasa manusia. Bayangkan seorang pembantu yang sangat banyak membaca yang telah menyerap berbilion halaman buku, artikel, kod dan perbualan. Ia tidak "mengetahui" perkara seperti manusia; sebaliknya, ia telah mempelajari corak statistik — perkataan dan idea mana yang cenderung mengikuti yang mana — dengan cukup baik untuk menulis perenggan yang koheren, menjawab soalan, menterjemah antara bahasa, meringkaskan dokumen, dan malah menaakul melalui masalah berbilang langkah.

Sifat penentu (dan batasan) LLM ialah ia berfungsi melalui ramalan. Diberi permulaan ayat, model mengira perkataan seterusnya yang paling berkemungkinan, kemudian yang seterusnya, dan begitulah, satu token pada satu masa. Token ialah lebih kurang satu perkataan atau sub-perkataan. Dengan merantaikan beribu-ribu ramalan kecil ini, LLM boleh menghasilkan esei, kod, puisi, atau analisis teknikal — semuanya tanpa diprogramkan secara eksplisit untuk setiap tugas. LLM terkenal termasuk GPT, Claude, Gemini dan Mistral. Kebanyakan projek AI kripto yang menyebut "AI" dalam pemasaran mereka sama ada menggunakan LLM secara dalaman, mendakwa menggunakannya, atau membalut LLM pihak ketiga di sebalik antara muka mereka sendiri. Memahami apa sebenarnya LLM — dan apa yang bukan — adalah penting untuk menilai dakwaan ini.

Ringkasnya: LLM ialah enjin di sebalik kebanyakan AI berasaskan teks moden. Dalam AI kripto, soalan kritikal bukanlah sama ada projek "menggunakan LLM" tetapi bagaimana ia menggunakannya dan apa nilai proprietari yang ditambahkannya di atasnya.

Bagaimana ia berfungsi

Membina dan menggunakan LLM melibatkan beberapa peringkat yang berbeza. Setiap peringkat memerlukan sumber, kepakaran dan data yang berbeza — dan setiap satu mewakili tahap kedalaman AI yang berbeza apabila menilai projek AI kripto.

Peringkat 1: Pralatihan

Pralatihan ialah tempat model mempelajari asas bahasa. Semasa fasa ini, LLM membaca berbilion token — perkataan dan sub-perkataan yang diambil daripada buku, laman web, repositori kod, kertas saintifik dan sumber teks lain. Model melaraskan parameter dalamannya (pemberat) untuk menjadi semakin tepat dalam meramalkan token seterusnya dalam jujukan.

Peringkat ini mahal. Melatih LLM peneraju dari kosong boleh memerlukan beribu-ribu GPU khusus yang berjalan selama berminggu-minggu atau berbulan-bulan, dan model yang terhasil mungkin mempunyai berpuluh atau beratus bilion parameter. Hanya segelintir organisasi — makmal AI yang mempunyai sumber yang banyak — secara rutin membuat pralatihan LLM dari kosong.

Peringkat 2: Penalaan halus

Model pralatih adalah berkuasa tetapi generik. Penalaan halus menyempitkan tingkah laku model dengan melatihnya lebih lanjut pada dataset yang lebih kecil dan terkurasi yang relevan dengan tugas atau domain tertentu. Sebagai contoh, LLM perubatan mungkin ditala halus pada nota klinikal; model berorientasikan DeFi mungkin ditala halus pada dokumentasi kontrak pintar dan data on-chain.

Penalaan halus memerlukan pengiraan yang jauh lebih sedikit daripada pralatihan tetapi masih menuntut kepakaran dalam pemilihan data, metrik penilaian, dan mengelakkan pelupaan bencana (di mana model kehilangan kebolehan umum semasa mengkhusus).

Peringkat 3: Penjajaran dan RLHF

LLM moden biasanya menjalani fasa penjajaran selepas penalaan halus. Pembelajaran pengukuhan daripada maklum balas manusia (RLHF) ialah pendekatan yang paling biasa: penilai manusia menarafkan output model, dan model dilatih untuk mengutamakan respons yang dinilai lebih tinggi oleh manusia. Penjajaran ialah apa yang membuat model mengikut arahan, menolak permintaan berbahaya, dan menghasilkan jawapan yang benar-benar berguna dan bukannya karut yang kedengaran munasabah.

Peringkat 4: Inferens

Inferens ialah fasa pengeluaran — apabila LLM terlatih menerima gesaan dan menjana output. Setiap kali pengguna menghantar mesej kepada chatbot, LLM asas menjalankan inferens: ia membaca gesaan, memprosesnya melalui lapisan parameternya, dan menghasilkan respons token demi token.

Inferens memerlukan pengiraan (masa GPU) tetapi jauh lebih murah setiap pertanyaan berbanding latihan. Kebanyakan projek yang "menggunakan LLM" hanya melakukan inferens — sering dengan memanggil API penyedia luaran dan bukannya menjalankan perkakasan sendiri.

Saluran paip sepintas lalu

Peringkat	Apa yang berlaku	Siapa yang biasanya melakukannya	Kos pengiraan
Pralatihan	Belajar bahasa daripada berbilion token	Makmal AI utama	Sangat tinggi
Penalaan halus	Sesuaikan model kepada domain atau tugas	Makmal AI, syarikat pemula yang dibiayai baik	Sederhana
Penjajaran (RLHF)	Jadikan model selamat dan mengikut arahan	Makmal AI	Sederhana
Inferens	Jana respons kepada gesaan pengguna	Sesiapa sahaja dengan kunci API atau GPU	Rendah setiap pertanyaan

Ciri utama LLM

Beberapa sifat menentukan sejauh mana kebolehan sesuatu LLM:

Bilangan parameter — bilangan pemberat yang boleh dilatih dalam model. Model yang lebih besar secara amnya menangkap lebih banyak nuansa tetapi lebih mahal untuk dilatih dan dijalankan. Bilangan parameter berjulat daripada beberapa bilion (model sumber terbuka kecil) hingga melebihi satu trilion (model peneraju).
Tetingkap konteks — bilangan maksimum token yang boleh diproses oleh model dalam satu interaksi. Tetingkap konteks yang pendek bermakna model "melupakan" permulaan perbualan yang panjang. LLM moden menawarkan tetingkap konteks berjulat daripada beberapa ribu token hingga melebihi seratus ribu.
Seni bina — kebanyakan LLM moden dibina di atas seni bina Transformer, yang diperkenalkan pada 2017. Transformer menggunakan mekanisme yang dipanggil perhatian kendiri untuk menimbang hubungan antara semua token dalam input, inilah yang membolehkannya mengendalikan kebergantungan jarak jauh dalam teks.
Data latihan — kualiti, kepelbagaian dan keterkinian data yang digunakan semasa pralatihan membentuk apa yang diketahui oleh model. Model yang dilatih hanya pada teks bahasa Inggeris akan berprestasi buruk pada bahasa lain; model dengan tarikh henti pengetahuan pada tahun tertentu tidak akan mengetahui peristiwa selepasnya.

Contoh industri sebenar

Beberapa LLM terkenal menggambarkan julat pendekatan dalam bidang ini:

GPT (OpenAI) — LLM sumber tertutup, berbilang mod yang tersedia melalui API. Banyak projek AI kripto memanggil API GPT untuk menambahkan ciri perbualan atau analisis pada produk mereka.
Claude (Anthropic) — LLM sumber tertutup dengan penekanan kuat pada keselamatan dan penjajaran. Seperti GPT, ia biasanya diakses melalui API.
DeepSeek-R1 (DeepSeek) — LLM pemberat terbuka yang dikeluarkan di bawah lesen MIT. Keupayaan penaakulannya yang kuat dan ketersediaannya yang terbuka menjadikannya model asas yang popular untuk penalaan halus dan untuk projek AI kripto yang ingin menjalankan model secara tempatan atau mendakwa integrasi AI yang lebih mendalam.
Mistral (Mistral AI) — keluarga model pemberat terbuka yang terkenal dengan prestasi kuat pada bilangan parameter yang lebih kecil, menjadikannya praktikal untuk projek dengan belanjawan GPU terhad.

Nama-nama ini muncul kerap dalam penerangan projek AI kripto. Apabila sesebuah projek menyatakan ia "menggunakan GPT," ia hampir selalu bermaksud ia memanggil API OpenAI. Apabila ia menyatakan ia "menala halus DeepSeek," ia membayangkan penglibatan teknikal yang lebih mendalam — walaupun dakwaan itu masih memerlukan bukti yang boleh disahkan.

LLM sumber terbuka vs sumber tertutup

Aspek	Sumber terbuka / pemberat terbuka	Sumber tertutup
Pemberat model	Tersedia secara awam untuk muat turun	Tersembunyi di sebalik API
Pemeriksaan	Sesiapa sahaja boleh mengkaji, mengaudit atau menala halus	Tiada audit luaran terhadap dalaman yang mungkin
Penyesuaian	Boleh ditala halus pada data tersuai, dijalankan secara tempatan	Terhad kepada parameter API (suhu, gesaan sistem)
Struktur kos	Memerlukan perkakasan GPU sendiri atau pengehosan	Penetapan harga API bayar-per-token
Contoh	DeepSeek, Qwen, Mistral	GPT, Claude, Gemini

Untuk projek AI kripto, perbezaan ini penting: projek yang menala halus model pemberat terbuka dan menerbitkan butiran latihan menunjukkan kedalaman AI yang lebih besar daripada yang memanggil API tertutup tanpa pengubahsuaian.

Mengapa LLM penting dalam AI kripto

Banyak projek AI kripto merujuk LLM dalam kertas putih, dek pembentangan atau penerangan produk mereka. Dakwaan berbeza-beza secara meluas:

"Kami membina LLM kami sendiri" — membayangkan pralatihan atau penalaan halus yang ketara, yang memerlukan pengiraan dan kepakaran yang besar. Ini adalah tahap penglibatan yang paling mendalam.
"Kami menala halus LLM untuk DeFi" — membayangkan penyesuaian khusus domain terhadap model asas sedia ada. Lebih boleh dipercayai daripada panggilan API mentah, tetapi butiran penting.
"Kami menggunakan LLM" — sering bermaksud memanggil API luaran (seperti API OpenAI atau Anthropic) dengan gesaan khusus projek. Ini adalah tahap integrasi AI yang paling cetek.

Tiga senario ini mewakili tahap kedalaman AI yang secara asasnya berbeza, dan DecAIHub menilainya dengan sewajarnya melalui metodologi berasaskan buktinya.

Menggunakan API vs membina sendiri

Pendekatan	Apa maksudnya	Kedalaman AI
Panggilan API	Projek menghantar gesaan kepada LLM pihak ketiga (contohnya, API OpenAI) dan mengembalikan respons	Rendah — AI itu milik penyedia
Kejuruteraan gesaan	Projek mereka bentuk gesaan, rantaian atau saluran paip perolehan khusus di atas LLM pihak ketiga	Rendah-sederhana — logik proprietari wujud tetapi model adalah luaran
Penalaan halus	Projek menyesuaikan model asas sumber terbuka (DeepSeek, Mistral, Qwen) pada datasetnya sendiri	Sederhana-tinggi — projek memiliki model yang diubah suai
Pralatihan	Projek melatih model dari kosong pada data dan pengiraannya sendiri	Tinggi — pemilikan penuh model

API wrapper yang menghantar gesaan pengguna kepada LLM komersial dan mengembalikan respons tidak sama dengan projek yang menala halus DeepSeek pada data transaksi on-chain. DecAIHub membezakan antara ini dalam medan AI component kad projek.

Di mana ia muncul dalam kad projek DecAIHub

Apabila menyemak kad projek di DecAIHub, beberapa medan berkaitan secara langsung dengan penggunaan LLM:

AI component mungkin menyebut "LLM," "fine-tuned model," "prompt engineering," atau nama model tertentu. Medan ini menerangkan jenis AI yang sebenarnya dimiliki oleh projek, seperti yang disahkan oleh penyemak DecAIHub.
Kes penggunaan AI menerangkan untuk apa LLM digunakan: penjanaan, pengelasan, peringkasan, penaakulan ejen, dan sebagainya. Sesebuah projek mungkin menggunakan LLM untuk tugas sempit (contohnya, penghuraian niat) atau sebagai enjin teras untuk keseluruhan produk.
ai_score (sebahagian daripada DecAI Fit) mencerminkan sejauh mana penggunaan LLM didokumenkan dengan bukti Tier-1, Tier-2 atau Tier-3. Projek yang mendakwa penggunaan LLM tetapi tidak memberikan artifak yang boleh disahkan akan mendapat skor rendah pada dimensi ini.
Bendera AI reality (AI_0 hingga AI_4) menunjukkan kedalaman keseluruhan AI yang boleh disahkan, yang dalam banyak projek berpaksi pada integrasi LLM mereka.

Matlamatnya bukanlah untuk menghukum projek kerana menggunakan LLM pihak ketiga — banyak produk yang sah melakukan tepat itu. Matlamatnya adalah untuk membezakan antara projek yang secara telus memanggil API dan yang menyalahgambarkan penggunaan API sebagai penyelidikan AI proprietari.

Apa yang tidak dibuktikan oleh LLM semata-mata

Mempunyai kunci API LLM tidak bermakna projek itu "mempunyai AI." Ia bermakna projek itu boleh memanggil AI orang lain.
Menyebut "GPT" atau "Claude" dalam pemasaran tidak membuktikan kerja AI proprietari. Beribu-ribu aplikasi menggunakan API yang sama.
Malah model yang ditala halus memerlukan artifak yang boleh disahkan: penerangan data latihan, metrik penilaian, pengecam versi model, dan bukti penggunaan.
Bilangan parameter yang besar tidak menjamin model yang lebih baik. Kualiti latihan, kurasi data dan penjajaran adalah sekurang-kurangnya sama penting dengan saiz mentah.

Jangan kelirukan dengan

Inferens — menjalankan LLM terlatih untuk menghasilkan output. Inferens ialah satu langkah dalam menggunakan LLM, bukan sinonim untuk LLM itu sendiri.
Latihan — proses membina atau menyesuaikan LLM. Latihan menghasilkan model; inferens menggunakannya.
Ejen AI — sistem autonomi yang mungkin menggunakan LLM sebagai teras penaakulannya, tetapi menambahkan persepsi, ingatan, penggunaan alat dan tindakan. LLM semata-mata bukanlah ejen.
Pemprosesan Bahasa Semula Jadi (NLP) — bidang sains komputer yang lebih luas. LLM ialah satu pendekatan (yang sangat berjaya) kepada NLP, tetapi NLP juga merangkumi teknik lebih lama seperti pengekstrakan kata kunci, penghuraian berasaskan peraturan dan pengelas statistik.
Model asas — istilah yang lebih umum yang merangkumi LLM tetapi juga meliputi model besar yang dilatih pada imej, audio, video atau data berbilang mod. Setiap LLM ialah model asas, tetapi bukan setiap model asas ialah LLM.

Soalan lazim

Apakah perbezaan antara LLM dan chatbot?

LLM ialah model — set parameter terlatih yang boleh memproses dan menjana teks. Chatbot ialah produk yang dibina di atas model. LLM ialah enjin; chatbot ialah kereta. Satu LLM boleh menggerakkan beribu-ribu chatbot yang berbeza, masing-masing dengan gesaan, antara muka dan personalitinya sendiri. Sebaliknya, chatbot tidak semestinya menggunakan LLM — chatbot lama bergantung pada peraturan berskrip atau padanan corak yang mudah.

Adakah semua projek AI menggunakan LLM?

Tidak. Banyak projek AI kripto menggunakan jenis pembelajaran mesin yang lain: model penglihatan komputer untuk penjanaan NFT, pembelajaran pengukuhan untuk strategi dagangan, rangkaian neural graf untuk analitik blockchain, atau ML tradisional untuk pengesanan anomali. LLM dominan dalam aplikasi berasaskan teks tetapi ia bukan satu-satunya jenis AI.

Apakah maksud menala halus LLM?

Penalaan halus mengambil LLM pralatih dan meneruskan latihannya pada dataset yang lebih kecil dan terkurasi yang relevan dengan tugas tertentu. Matlamatnya adalah untuk mengkhususkan model — contohnya, mengajarnya memahami terminologi DeFi, menghuraikan kontrak pintar, atau menjana respons dalam gaya tertentu. Penalaan halus lebih kos efektif daripada pralatihan dari kosong tetapi masih memerlukan kemahiran teknikal, data yang sesuai dan sumber pengiraan.

Bagaimanakah anda boleh tahu sama ada projek kripto membina LLM sendiri vs menggunakan API?

Cari bukti konkrit: pemberat model yang diterbitkan atau kad model, data latihan yang didokumenkan, penanda aras penilaian, dan penerangan proses penalaan halus. Jika projek hanya merujuk nama model terkenal (GPT, Claude) tanpa menerangkan sebarang pengubahsuaian, ia berkemungkinan menggunakan API. DecAIHub menangkap perbezaan ini dalam medan AI component dan tier bukti.

Apakah LLM sumber terbuka?

LLM sumber terbuka (atau pemberat terbuka) ialah model yang parameter terlatihnya tersedia secara awam untuk muat turun, kajian dan pengubahsuaian. Contohnya termasuk DeepSeek, Qwen dan Mistral. Ia membolehkan sesiapa sahaja menala halus, menggunakan dan memeriksa model, yang meningkatkan ketelusan dan membolehkan pengesahan bebas — kedua-duanya kualiti yang berharga dalam ruang AI kripto.

Mengapa saiz LLM (parameter) penting?

Lebih banyak parameter secara amnya membolehkan model menangkap corak yang lebih kompleks dalam bahasa, yang boleh meningkatkan prestasi pada tugas yang sukar. Walau bagaimanapun, saiz semata-mata tidak menentukan. Model lebih kecil yang dilatih dengan baik boleh mengatasi model lebih besar yang dilatih dengan buruk. Yang paling penting ialah gabungan bilangan parameter, kualiti data, metodologi latihan dan penalaan penjajaran.

Lihat juga

Rujukan luaran

Attention Is All You Need (Vaswani et al., 2017) — kertas Transformer asal yang mendasari semua LLM moden.
Stanford Center for Research on Foundation Models — penyelidikan dan dasar tentang LLM dan model asas.
Hugging Face Open LLM Leaderboard — penanda aras komuniti untuk membandingkan LLM sumber terbuka.
Anthropic Research — kertas tentang keselamatan, penjajaran dan kebolehtafsiran LLM.
DeepSeek — keluarga LLM sumber terbuka yang terkenal dengan penaakulan yang kuat, digunakan secara meluas sebagai model asas dalam ekosistem AI kripto.