LLM in één minuut
Een LLM is geen encyclopedie die bij elke vraag een opgeslagen zin opzoekt. Het heeft tijdens training patronen geleerd waarmee het nieuwe uitvoer berekent. Het kan soms wel passages memoriseren of reproduceren. Een toepassing kan daarnaast een zoekmachine, documentcollectie of andere hulpmiddelen gebruiken. Vraag daarom steeds of een antwoord uit modelgeneratie, verstrekte bronnen of een daadwerkelijk uitgevoerde zoekactie komt.
Een LLM met een eenvoudig voorbeeld
Je geeft een taalmodel een verslag van een klantgesprek en vraagt om drie afgesproken vervolgstappen. Het model verwerkt de aangeleverde tekst en formuleert een samenvatting. Staat nergens wie een offerte verstuurt, dan ontbreekt dat feit. Het model kan toch een gebruikelijke rol invullen, bijvoorbeeld de accountmanager. Die aanvulling klinkt logisch, maar wordt niet door het verslag ondersteund.
Met Tool Use kan een toepassing het model laten vragen om een zoekopdracht, berekening of bestandsbewerking. De software voert de toegestane operatie uit. AI Agents bouwen daarop voort door binnen grenzen vervolgstappen te kiezen en resultaten te controleren. Het taalmodel en het uitvoerende systeem zijn dus verschillende onderdelen.
- Bron
Lever de relevante notities en behoud namen, bedragen en voorwaarden.
- Opdracht
Vraag om besluiten, verantwoordelijken en ontbrekende informatie afzonderlijk te noemen.
- Beoordeling
Vergelijk iedere concrete afspraak met de oorspronkelijke notities.
Een nuttige opdracht bevat een doel, bron en vorm. “Maak een samenvatting voor de projectleider, met alleen bevestigde afspraken” geeft meer richting dan “vat samen”. Voeg eventueel één voorbeeld van de gewenste vorm toe. Het model past zijn uitvoer dan aan de context aan; dit is geen bewijs dat de basisgewichten tijdens het gesprek blijvend veranderen.
Hetzelfde systeem kan productnamen indelen, een moeilijke brief vereenvoudigen of een eerste programmafragment maken. Zulke taken gebruiken taalpatronen op verschillende manieren. Vergelijk de prestaties op jouw werk: een goede schrijver kan nog steeds een slecht rekenresultaat geven, terwijl een nette samenvatting een belangrijke uitzondering kan missen.
Technisch bekeken
In veel taalmodellen wordt tekst eerst verdeeld in tokens, die een numerieke representatie krijgen. Een Transformer verwerkt relaties tussen zulke onderdelen met attention en andere netwerkbewerkingen. Niet elk taalmodel heeft exact dezelfde architectuur. De term LLM beschrijft een type groot taalmodel; Transformer benoemt een veelgebruikte bouwvorm.
Training en parameters. Training past gewichten aan om een leerdoel beter te bereiken. Voor veel genererende taalmodellen begint dat met voorspellen van vervolgtekst. Aanvullende training kan instructies volgen, gewenst gedrag of taakprestaties verbeteren. Het aantal parameters beschrijft schaal, maar is geen algemene ranglijst van bruikbaarheid.
Bij een autoregressief model wordt een volgend token gekozen uit een berekende verdeling. Dat token wordt onderdeel van de volgende stap. Keuze-instellingen kunnen de variatie beïnvloeden; niet ieder systeem kiest steeds uitsluitend het meest waarschijnlijke token. Een lange, goed opgebouwde tekst kan uit dit herhaalde proces ontstaan. Waarschijnlijk klinkende vervolgtekst kan echter ook een fout voortzetten.
De Context Window bepaalt hoeveel informatie binnen de relevante verwerking beschikbaar kan zijn. Instructies, eerdere berichten, documenten en hulpmiddelresultaten kunnen ruimte innemen. De trainingsgegevens zelf worden niet bij elke vraag opnieuw volledig toegevoegd. Een beperking in context is daarom iets anders dan het ontbreken van een feit in de aangeleerde patronen.
Reasoning. De term wordt gebruikt voor het oplossen van taken met tussenstappen, bijvoorbeeld vergelijken, afleiden of plannen. Zulke prestaties kunnen verbeteren door training en extra rekentijd bij gebruik. Een zichtbare uitleg van stappen is niet automatisch een getrouwe weergave van alle interne berekeningen en ook geen bewijs van menselijk denken.
MoE en open weights. Sommige modellen gebruiken een Mixture of Experts: een router activeert geselecteerde netwerkonderdelen voor een invoer. Totale en actieve parameteraantallen zijn dan verschillende getallen. Open weights betekent dat modelgewichten beschikbaar worden gesteld onder bepaalde voorwaarden; het zegt op zichzelf niet dat alle trainingsdata, code of gebruiksrechten onbeperkt open zijn. Lees de concrete modelbeschrijving en licentie. Concrete voorbeelden zijn de architectuur van DeepSeek en de downloadbare modellen binnen Qwen.
Een taalmodel met hulpmiddelen blijft controle nodig hebben
Een toepassing kan een LLM een zoekopdracht of rekenfunctie laten voorstellen. Software voert de toegestane actie uit en geeft het resultaat terug. Het model kan dat resultaat vervolgens verwerken. Het genereren van de woorden “ik heb gezocht” is geen uitgevoerde zoekactie. Je hebt een echt hulpmiddelresultaat nodig om die bewering te onderbouwen.
| Situatie | Waar komt de informatie vandaan? | Controle |
|---|---|---|
| Zonder externe bron | Modelparameters en de aanwezige context. | Vraag of actuele feiten of bewijs ontbreken. |
| Met document | De aangeboden passages plus modelverwerking. | Vergelijk claims met de juiste versie van het document. |
| Met hulpmiddel | Een werkelijk opgehaald of berekend resultaat. | Controleer invoer, uitvoer en interpretatie van de actie. |
RAG maakt opgehaalde informatie beschikbaar voor de generatie en kan helpen bij actuele bedrijfsgegevens. Het model wordt daarmee niet automatisch opnieuw getraind. Ook met bronnen blijven verkeerde selectie, leesfouten en hallucinations mogelijk. Geef het systeem ruimte om te melden dat informatie ontbreekt in plaats van altijd een volledig antwoord te eisen.
- Kies een representatieve taak en verzamel voorbeelden met een controleerbare uitkomst.
- Maak duidelijk welke bron leidend is en hoe oud deze mag zijn.
- Laat berekeningen of actuele voorraadvraagstukken door geschikte hulpmiddelen ondersteunen.
- Controleer feitelijke claims apart van stijl en leesbaarheid.
- Beoordeel model, beschikbare hulpmiddelen en werkwijze als geheel.
Met deze begrippen kun je later aanbieders en modellen vergelijken zonder een merknaam met een techniek te verwarren. Kijk naar jouw documenten, taal, gewenste nauwkeurigheid en kosten. Eén overtuigend antwoord is minder informatief dan een reeks representatieve opdrachten waarvan je de fouten en benodigde correcties kunt beoordelen.
- Brown et al. · Language Models are Few-Shot Learners (2020)
- Vaswani et al. · Attention Is All You Need (2017)
- Stanford CRFM · On the Opportunities and Risks of Foundation Models
- Ji et al. · Survey of Hallucination in Natural Language Generation
- Fedus et al. · Switch Transformers
- Turpin et al. · Language Models Do Not Always Say What They Think