Языковая модель — то, что стоит за ChatGPT, Gemini и Claude, за автоответчиком в чате и за подсказками в почте. Разбираем без формул: как она устроена, почему уверенно ошибается, что такое токены и контекст, чем модели отличаются друг от друга и что из этого важно знать, если вы собираетесь применять их в работе.
1. Что это такое простыми словами
Языковая модель — программа, которая обучена на огромном объёме текстов и умеет продолжать текст. Вы даёте начало — она выдаёт продолжение. Всё остальное, включая ответы на вопросы, перевод, пересказ и написание кода, — частные случаи этого умения.
Аббревиатура LLM расшифровывается как large language model, «большая языковая модель». Большая — про количество параметров, внутренних настроек, которые модель подобрала во время обучения. У современных моделей их сотни миллиардов.
Чем модель отличается от чат-бота
Модель — двигатель. Чат-бот, ассистент в почте, помощник в редакторе — это оболочки вокруг неё: интерфейс, память переписки, доступ к вашим данным, правила поведения. Одна и та же модель может стоять в десяти разных продуктах и вести себя по-разному, потому что вокруг неё разная обвязка.
2. Как она работает: предсказание следующего слова
Механика проще, чем кажется. Модель раз за разом предсказывает, какой фрагмент текста вероятнее всего идёт следующим, и дописывает его. Потом снова — с учётом уже написанного. Так по кусочку собирается ответ.
Из этого следуют два важных вывода. Первый: модель не «понимает» текст так, как человек, — она оперирует статистикой языка. Второй: у неё нет базы фактов, из которой она достаёт ответ. Она порождает правдоподобный текст, и совпадение с истиной обеспечивается тем, что в обучающих данных правда встречалась чаще выдумки. Обычно этого достаточно, иногда — нет.
Почему один и тот же вопрос даёт разные ответы
В генерации заложена случайность: из нескольких подходящих продолжений выбирается одно с учётом вероятностей. Степень случайности регулируется настройкой, которую в интерфейсах называют «температурой». Ниже температура — стабильнее и суше ответы, выше — разнообразнее и рискованнее.
3. Токены, контекст и почему это влияет на счёт
Токены
Модель работает не с буквами и не со словами, а с токенами — кусочками текста. Один токен это примерно 0,7 слова для русского языка. Миллион токенов — около семисот тысяч слов, то есть несколько толстых книг.
Оплата в сервисах считается именно в токенах, отдельно за ввод и за вывод. На август 2026 у флагманских моделей ввод стоит порядка нескольких долларов за миллион токенов, а вывод в несколько раз дороже; у облегчённых версий — десятки центов. Практический вывод: длинные диалоги и большие документы стоят денег, и на этом строится вся экономия при промышленном использовании.
Контекстное окно
Это объём текста, который модель удерживает одновременно: ваш вопрос, история переписки, приложенные документы и её собственный ответ. Всё, что вышло за границу окна, для модели не существует — отсюда ощущение, что в длинном диалоге ассистент «забыл» сказанное вначале.
У современных моделей окно большое, но это не значит, что туда нужно грузить всё подряд: чем больше лишнего, тем дороже запрос и тем выше шанс, что важное потеряется среди второстепенного.
4. Как модель обучают
Три стадии, о которых полезно знать, чтобы понимать границы возможностей.
- Предобучение. Модель читает гигантские объёмы текста и учится предсказывать продолжение. Это самая дорогая часть: месяцы вычислений и миллионы долларов. Именно здесь формируется знание о мире — и именно оно устаревает, потому что данные собраны до определённой даты.
- Дообучение на инструкциях. Модель учат отвечать на просьбы, а не просто продолжать текст.
- Настройка по человеческим оценкам. Люди сравнивают варианты ответов, модель подстраивается под предпочтения: быть полезной, не грубить, не выдавать опасное.
Компания, которая хочет применить модель у себя, в это не вмешивается. Ей доступны более простые пути: дать инструкции в запросе, подключить свои документы или, реже, дообучить готовую модель на своих примерах.
5. Почему модели уверенно врут
Явление называют галлюцинациями: модель выдаёт выдуманный факт тем же тоном, что и достоверный. Причина не в ошибке разработчиков, а в самой конструкции — она порождает вероятное продолжение, а не ищет ответ в справочнике.
Когда риск выше
- Вопрос о вашей компании: цены, условия, наличие. Модель этого не знает и додумает.
- Точные цифры, даты, имена, ссылки — самая частая категория выдумок.
- Узкие профессиональные темы, где в обучающих данных мало материала.
- События после даты сбора данных.
Что с этим делают на практике
Основной приём — не полагаться на память модели, а давать ей нужные материалы в запросе: прайс, регламент, кусок документа. Тогда ответ строится по ним, и его можно проверить по источнику. Именно так устроены корпоративные ассистенты — подробно разбираем в материале про подключение данных компании.
6. Чем модели отличаются друг от друга
| Параметр | Что означает на практике |
|---|---|
| Размер | крупные умнее в сложных задачах, мелкие дешевле и быстрее |
| Контекстное окно | сколько документов можно дать за раз |
| Дата данных | что модель знает о мире без подсказок |
| Языки | качество на русском и казахском сильно различается |
| Открытая или закрытая | открытую можно поставить на свой сервер, закрытая доступна по API |
| Мультимодальность | умеет ли работать с картинками, звуком, таблицами |
| Цена | разница между флагманом и лёгкой версией — десятки раз |
Отдельный класс — открытые модели с публичными весами: Llama, Qwen, Gemma, Mistral. Их можно развернуть у себя, дообучить и не отдавать данные наружу. Платой за это становится инфраструктура: нужен сервер с видеокартами и человек, который это обслуживает.
7. Как обстоят дела с казахским языком
Ещё недавно казахский был для больших моделей второстепенным: ответы получались с ошибками и кальками. Сейчас положение другое.
- Google добавил казахский в Gemini — язык вошёл в число новых, поддержанных в поколении Gemini 3.
- KazLLM — модель, разработанная ISSAI Назарбаев Университета специально под казахский язык.
- Alem LLM — казахстанская модель на 246 миллиардов параметров, которую заявляют как превосходящую ChatGPT и Gemini в работе с казахским; её планируют сделать общедоступной.
Практический совет: перед тем как строить двуязычного ассистента, прогоните через кандидатов свои реальные тексты — прайс, типовые вопросы клиентов, названия услуг. Бенчмарки показывают средние результаты по языку, а вам нужно качество на вашей терминологии.
8. Как выбрать модель под задачу
- Простая классификация и короткие ответы. Берите лёгкую модель: она в десятки раз дешевле, а качество на таких задачах сопоставимо.
- Работа с длинными документами. Смотрите на размер контекстного окна и цену ввода — именно она определит счёт.
- Чувствительные данные. Открытая модель на своём сервере или корпоративный тариф с запретом на обучение на ваших данных.
- Двуязычность. Тестируйте на казахском отдельно, не полагайтесь на общее описание «поддерживает 100 языков».
- Массовые операции. Считайте стоимость на тысячу операций заранее: разница между флагманом и лёгкой моделью на объёме превращается в порядок цифр.
9. Как формулировать запрос, чтобы получать толк
Качество ответа зависит от запроса сильнее, чем от выбора модели. Четыре приёма, которые работают всегда.
- Дайте роль и задачу. «Ты редактор, приведи текст к деловому тону, сохрани смысл» лучше, чем «улучши текст».
- Задайте формат. Скажите, что хотите: таблицу, список из пяти пунктов, письмо до 800 знаков. Иначе модель выберет формат сама.
- Приложите материал. Не «напиши описание нашей услуги», а «вот характеристики и цена, напиши описание по ним». Без материалов модель придумает.
- Покажите пример. Один-два образца желаемого результата дают эффект сильнее, чем три абзаца объяснений.
Что не работает: вежливость и угрозы, требование «отвечай точно», просьба «не выдумывай» без выданных источников. Модель не может проверить себя — она может только опираться на то, что вы ей дали.
10. Что важно знать перед внедрением
- Модель не знает вашу компанию. Пока вы не дали ей прайс и регламенты, она отвечает общими словами — и это не лечится выбором «модели поумнее».
- Ответы нужно проверять. Особенно первые недели и особенно там, где называются цифры и обязательства.
- Стоимость считается за объём. Пилот на сто диалогов и промышленная работа на десять тысяч — разные бюджеты.
- Модели меняются каждые несколько месяцев. Стройте решение так, чтобы модель можно было заменить, не переписывая всё.
- Данные — ваша ответственность. Отправка персональных данных в облачный сервис регулируется законом, и отвечает за это компания.
Мы применяем языковые модели прикладно: собираем ассистентов, которые отвечают по материалам компании, и автоматизируем рутину в связке с CRM. Начинаем не с выбора модели, а с задачи и расчёта — что именно она заменит и сколько это сэкономит. Что даёт ИИ бизнесу и где он не окупается, разбирали в статье про ИИ для бизнеса.
