[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"general-list":3,"footer-feature-tags":4,"slate-glossary-term-llm":66},true,[5,14,20,29,34,40,46,52,56,62],{"id":6,"name":7,"hex":8,"translations":9,"count_pages":13},8,"Компания","#f40925",{"ru":10,"en":11},{"name":7},{"name":12},"Company",9,{"id":15,"name":16,"hex":17,"translations":18,"count_pages":6},26,"Главная страница",null,{"ru":19},{"name":16},{"id":21,"name":22,"hex":23,"translations":24,"count_pages":28},2,"Проекты","#3027ff",{"ru":25,"en":26},{"name":22},{"name":27},"Project",15,{"id":30,"name":31,"hex":17,"translations":32,"count_pages":21},33,"ИИ",{"ru":33},{"name":31},{"id":35,"name":36,"hex":17,"translations":37,"count_pages":39},34,"Комментарии",{"ru":38},{"name":36},4,{"id":41,"name":42,"hex":17,"translations":43,"count_pages":45},25,"Задачи",{"ru":44},{"name":42},24,{"id":47,"name":48,"hex":17,"translations":49,"count_pages":51},27,"Рабочие пространства",{"ru":50},{"name":48},3,{"id":45,"name":53,"hex":17,"translations":54,"count_pages":6},"Kanban-доска",{"ru":55},{"name":53},{"id":57,"name":58,"hex":17,"translations":59,"count_pages":61},23,"Диаграмма Ганта",{"ru":60},{"name":58},1,{"id":28,"name":63,"hex":17,"translations":64,"count_pages":61},"Календарь",{"ru":65},{"name":63},{"detail":67,"more":278},{"id":68,"slug":69,"translations":70,"category":84,"tags":92,"letter":109,"og_image":17,"cover":17,"author_name":17,"author_position":17,"author_avatar":17,"faqs":110,"related":130,"views_count":275,"helpful_yes_count":113,"helpful_no_count":113,"created_at":276,"updated_at":277,"published_at":17},264,"llm",{"ru":71},{"title":72,"short_definition":73,"tldr":74,"full_explanation":75,"when_to_apply":76,"when_not_to_apply":77,"examples":78,"tips":79,"synonyms":80,"translation_en":81,"seo_title":82,"seo_description":83},"Большая языковая модель","Нейросеть с миллиардами параметров, обученная предсказывать следующий токен в тексте и способная отвечать на вопросы, писать код и рассуждать.","Большая языковая модель — это нейросеть, обученная на огромных объёмах текста с одной простой задачей: предсказывать следующий кусочек слова. Из этой простой задачи неожиданно вырастает способность отвечать на вопросы, писать код, переводить, рассуждать и поддерживать диалог. Примеры — GPT, Claude, Gemini, LLaMA, YandexGPT, GigaChat. Главное ограничение — модель не знает мира напрямую и регулярно ошибается, особенно в фактах и сложной логике.","\u003Cp>Большая языковая модель (LLM) — это огромная нейросеть на архитектуре трансформера. Она обучается на терабайтах текста из интернета, книг, кода и других источников, после чего отдельно дообучается следовать инструкциям и быть полезным собеседником.\u003C\u002Fp>\u003Ch3>Как работает на простом уровне\u003C\u002Fh3>\u003Col>\u003Cli>Текст разбивается на токены — кусочки слов.\u003C\u002Fli>\u003Cli>Модель смотрит на все предыдущие токены и предсказывает распределение вероятностей следующего.\u003C\u002Fli>\u003Cli>Один из вероятных токенов выбирается, добавляется к тексту, и цикл повторяется.\u003C\u002Fli>\u003C\u002Fol>\u003Ch3>Что отличает большую модель от маленькой\u003C\u002Fh3>\u003Cul>\u003Cli>Число параметров — миллиарды, иногда сотни миллиардов.\u003C\u002Fli>\u003Cli>Объём и разнообразие обучающих данных.\u003C\u002Fli>\u003Cli>Способность решать задачи, которым модель явно не учили: без единого примера или по паре примеров прямо в запросе (в английской терминологии zero-shot и few-shot).\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>Чего LLM делать не умеет\u003C\u002Fh3>\u003Cul>\u003Cli>Гарантированно говорить правду — модель часто уверенно ошибается (галлюцинирует).\u003C\u002Fli>\u003Cli>Считать большие числа и выполнять точные алгоритмы без внешних инструментов.\u003C\u002Fli>\u003Cli>Помнить разговор дольше своего контекстного окна без специальных механизмов памяти.\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Задача связана с пониманием или генерацией текста\u003C\u002Fli>\u003Cli>Можно жить с тем, что ответ может быть неточным и требует проверки\u003C\u002Fli>\u003Cli>Цена единичной ошибки не катастрофическая или есть слой контроля сверху\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Нужны точные числовые расчёты — лучше встроить калькулятор или классический алгоритм\u003C\u002Fli>\u003Cli>Цена ошибки очень высока (медицинские диагнозы, юридические выводы), и нет человека-проверяющего\u003C\u002Fli>\u003Cli>Чисто структурированная задача с понятными правилами — здесь LLM не нужна\u003C\u002Fli>\u003C\u002Ful>","\u003Cp>Команда поддержки клиентов внедряет LLM как «первую линию»: модель сама отвечает на частые вопросы, а сложные случаи передаёт человеку. По метрикам количество обращений, требующих участия оператора, падает в два раза, средняя скорость ответа клиенту — с часа до минуты. При этом ответы модели регулярно выборочно проверяются, и на основе ошибок дорабатывается системный промпт и база знаний.\u003C\u002Fp>","\u003Cp>Запоминать «знания мира» в самой модели — плохая идея: мир меняется, а каждое переобучение стоит дорого. Гораздо удобнее подключить к модели поиск по своим документам (RAG): модель остаётся универсальным «языковым процессором», а фактическая база — отдельным компонентом, который можно обновлять без переобучения.\u003C\u002Fp>","большая языковая модель, языковая модель, LLM, large language model","Large Language Model (LLM)","Большая языковая модель (LLM): что это | Глоссарий Shtab","Большая языковая модель (LLM) — нейросеть, обученная предсказывать следующий токен текста. Как она работает, что умеет и не умеет, когда её применять.",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":88},10,"ai","#a855f7",{"ru":89},{"title":90,"description":91},"Искусственный интеллект","Терминология ИИ и больших языковых моделей: машинное обучение, нейросети, LLM, эмбеддинги, промптинг, RAG, агенты, MLOps, безопасность и этика моделей.",[93,101],{"id":94,"slug":95,"kind":96,"hex":87,"order":97,"translations":98},36,"ai-foundation","other",90,{"ru":99},{"title":100},"Основы ИИ",{"id":102,"slug":69,"kind":103,"hex":104,"order":105,"translations":106},37,"framework","#7c5ce6",91,{"ru":107},{"title":108},"LLM","Б",[111,118,124],{"id":112,"order":113,"translations":114},1484,0,{"ru":115},{"question":116,"answer":117},"Почему модель называется «большой»?","\u003Cp>Из-за количества параметров. У современных LLM их от единиц до сотен миллиардов. Это в тысячи раз больше, чем у языковых моделей десятилетней давности, и именно на таком масштабе у моделей появились новые качества: следование инструкциям, обобщение, способность к рассуждениям.\u003C\u002Fp>",{"id":119,"order":61,"translations":120},1485,{"ru":121},{"question":122,"answer":123},"Понимает ли языковая модель текст?","\u003Cp>Это спорный философский вопрос. Формально модель учится предсказывать следующий токен и не имеет внутренней модели мира, как у человека. При этом её ответы во многих задачах неотличимы от ответов понимающего собеседника. Поэтому удобнее думать о модели как о мощном инструменте обработки языка, а не как о сознательном собеседнике.\u003C\u002Fp>",{"id":125,"order":21,"translations":126},1486,{"ru":127},{"question":128,"answer":129},"Почему языковая модель выдумывает факты?","\u003Cp>Модель не различает «знает» и «не знает» — она просто выбирает наиболее вероятное продолжение текста. Если правильного ответа в её весах нет, она всё равно сгенерирует что-то правдоподобное. Это называют галлюцинацией, и лечится оно либо подключением внешних источников знаний (RAG), либо встроенным механизмом «не знаю».\u003C\u002Fp>",{"child":131,"related":230,"parent":268},[132,139,146,153,160,167,174,181,188,195,202,209,216,223],{"id":133,"slug":134,"translations":135},288,"jailbreaking",{"ru":136},{"title":137,"short_definition":138},"Джейлбрейк (обход ограничений модели)","Способы заставить языковую модель обойти свои защитные правила и выдать запрещённый или нежелательный ответ.",{"id":140,"slug":141,"translations":142},273,"prompt",{"ru":143},{"title":144,"short_definition":145},"Промпт","Входной текст, который пользователь или приложение подаёт большой языковой модели и на основании которого она генерирует ответ.",{"id":147,"slug":148,"translations":149},278,"rag",{"ru":150},{"title":151,"short_definition":152},"RAG (поиск с дополнением генерации)","Подход, при котором перед ответом языковая модель ищет подходящие документы в базе знаний и использует их как контекст.",{"id":154,"slug":155,"translations":156},280,"ai-agent",{"ru":157},{"title":158,"short_definition":159},"ИИ-агент","Программа на основе LLM, которая способна планировать действия, вызывать внешние инструменты и доводить задачу до результата без постоянного контроля человека.",{"id":161,"slug":162,"translations":163},283,"hallucination",{"ru":164},{"title":165,"short_definition":166},"Галлюцинации модели","Уверенно сформулированный ответ языковой модели, который при этом фактически неверен или выдуман.",{"id":168,"slug":169,"translations":170},284,"temperature",{"ru":171},{"title":172,"short_definition":173},"Температура (параметр генерации)","Параметр, регулирующий случайность ответов языковой модели: чем ниже температура, тем более предсказуемы и однообразны ответы.",{"id":175,"slug":176,"translations":177},285,"alignment",{"ru":178},{"title":179,"short_definition":180},"Выравнивание модели (alignment)","Совокупность подходов и методов, направленных на то, чтобы поведение ИИ-модели соответствовало целям и ценностям людей.",{"id":182,"slug":183,"translations":184},286,"ai-copilot",{"ru":185},{"title":186,"short_definition":187},"ИИ-копилот","ИИ-помощник внутри основной рабочей среды человека, который подсказывает, заполняет и выполняет рутинные операции, но финальное решение оставляет за человеком.",{"id":189,"slug":190,"translations":191},266,"token",{"ru":192},{"title":193,"short_definition":194},"Токен","Минимальный кусочек текста, с которым работает языковая модель: целое слово, его часть или знак препинания.",{"id":196,"slug":197,"translations":198},267,"context-window",{"ru":199},{"title":200,"short_definition":201},"Контекстное окно","Максимальное количество токенов, которые языковая модель может видеть одновременно — её рабочая «оперативная память».",{"id":203,"slug":204,"translations":205},269,"pretraining",{"ru":206},{"title":207,"short_definition":208},"Предобучение модели","Этап тренировки большой нейросети на огромных объёмах общих данных перед последующей тонкой настройкой под конкретные задачи.",{"id":210,"slug":211,"translations":212},270,"fine-tuning",{"ru":213},{"title":214,"short_definition":215},"Тонкая настройка модели","Дообучение готовой модели на небольшом наборе своих данных, чтобы адаптировать её под конкретную задачу, домен или стиль.",{"id":217,"slug":218,"translations":219},271,"rlhf",{"ru":220},{"title":221,"short_definition":222},"Обучение с подкреплением на обратной связи человека (RLHF)","Метод, в котором модель улучшают, используя оценки людей: они сравнивают разные ответы и направляют обучение в сторону предпочтительных.",{"id":224,"slug":225,"translations":226},272,"distillation",{"ru":227},{"title":228,"short_definition":229},"Дистилляция модели","Метод, при котором маленькая «ученическая» модель обучается имитировать ответы большой «учительской» — получается дешёвая модель с близким качеством.",[231,238,245,252,259,262,265],{"id":232,"slug":233,"translations":234},268,"embedding",{"ru":235},{"title":236,"short_definition":237},"Эмбеддинг (векторное представление)","Числовой вектор, в который модель переводит слово, предложение или другой объект, сохраняя его смысл.",{"id":239,"slug":240,"translations":241},287,"mlops",{"ru":242},{"title":243,"short_definition":244},"MLOps (эксплуатация ML-моделей)","Практики и инструменты для разработки, выкатки и эксплуатации моделей машинного обучения и ИИ в боевой среде — аналог DevOps для машинного обучения.",{"id":246,"slug":247,"translations":248},265,"transformer",{"ru":249},{"title":250,"short_definition":251},"Трансформер (архитектура нейросети)","Архитектура нейросети из статьи «Attention Is All You Need» (2017), на которой построены почти все современные большие языковые модели.",{"id":253,"slug":254,"translations":255},281,"function-calling",{"ru":256},{"title":257,"short_definition":258},"Вызов функций (function calling)","Возможность модели вернуть структурированный запрос на вызов внешней функции вместо обычного текста и затем учесть её результат.",{"id":189,"slug":190,"translations":260},{"ru":261},{"title":193,"short_definition":194},{"id":196,"slug":197,"translations":263},{"ru":264},{"title":200,"short_definition":201},{"id":161,"slug":162,"translations":266},{"ru":267},{"title":165,"short_definition":166},[269],{"id":270,"slug":86,"translations":271},259,{"ru":272},{"title":273,"short_definition":274},"Искусственный интеллект (ИИ)","Раздел компьютерных наук о системах, которые решают задачи, обычно требующие человеческого разума: распознавание, перевод, рассуждение, принятие решений.",115,"2026-05-11T19:55:46.954758+03:00","2026-05-11T19:55:46.954774+03:00",[279,305,322],{"id":280,"slug":281,"translations":282,"category":287,"tags":290,"letter":303,"cover":17,"updated_at":304,"published_at":17},282,"mcp",{"ru":283},{"title":284,"short_definition":285,"translation_en":286},"MCP (Model Context Protocol, протокол контекста модели)","Открытый протокол, по которому языковые модели и агенты единообразно подключаются к внешним инструментам, данным и сервисам.","Model Context Protocol (MCP)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":288},{"ru":289},{"title":90,"description":91},[291,294],{"id":102,"slug":69,"kind":103,"hex":104,"order":105,"translations":292},{"ru":293},{"title":108},{"id":295,"slug":296,"kind":297,"hex":298,"order":299,"translations":300},40,"ai-tool","tool","#5e79ec",94,{"ru":301},{"title":302},"Инструмент ИИ","M","2026-05-11T19:55:53.687297+03:00",{"id":239,"slug":240,"translations":306,"category":309,"tags":312,"letter":303,"cover":17,"updated_at":321,"published_at":17},{"ru":307},{"title":243,"short_definition":244,"translation_en":308},"MLOps",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":310},{"ru":311},{"title":90,"description":91},[313,318],{"id":61,"slug":314,"kind":314,"hex":298,"order":61,"translations":315},"methodology",{"ru":316},{"title":317},"Методология",{"id":295,"slug":296,"kind":297,"hex":298,"order":299,"translations":319},{"ru":320},{"title":302},"2026-05-11T19:55:55.482827+03:00",{"id":147,"slug":148,"translations":323,"category":326,"tags":329,"letter":336,"cover":17,"updated_at":337,"published_at":17},{"ru":324},{"title":151,"short_definition":152,"translation_en":325},"Retrieval-Augmented Generation (RAG)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":327},{"ru":328},{"title":90,"description":91},[330,333],{"id":102,"slug":69,"kind":103,"hex":104,"order":105,"translations":331},{"ru":332},{"title":108},{"id":295,"slug":296,"kind":297,"hex":298,"order":299,"translations":334},{"ru":335},{"title":302},"R","2026-05-11T19:55:52.147205+03:00"]