Velké jazykové modely (LLM)

Velké jazykové modely (Large Language Models - LLM) jsou pokročilé algoritmy umělé inteligence (AI) založené na hlubokém učení (Deep Learning), které jsou schopny porozumět, generovat a manipulovat s lidským jazykem.

Tyto modely jsou trénovány na masivním množství textových dat (knihy, články, kód, internetové diskuze), díky čemuž se učí statistické vazby mezi slovy a dokáží predikovat, jaký text by měl následovat.

Většina moderních LLM je postavena na architektuře Transformer, kterou v roce 2017 představil Google (paper „Attention Is All You Need“).

Dominantní modely sekvenční transdukce jsou založeny na komplexních rekurentních nebo konvolučních neuronových sítích v konfiguraci kodér-dekodér. Nejvýkonnější modely také propojují kodér a dekodér prostřednictvím mechanismu pozornosti. Navrhujeme novou jednoduchou síťovou architekturu, Transformer, založenou výhradně na mechanismech pozornosti, která zcela vylučuje rekurence a konvoluce. Experimenty se dvěma úkoly strojového překladu ukazují, že tyto modely jsou kvalitnější, lépe paralelizovatelné a vyžadují výrazně méně času na trénink. Náš model dosahuje skóre 28,4 BLEU v úkolu překladu z angličtiny do němčiny WMT 2014, čímž překonává dosavadní nejlepší výsledky, včetně ansámblů, o více než 2 BLEU. V překladové úloze z angličtiny do francouzštiny WMT 2014 dosahuje náš model nového špičkového skóre BLEU 41,8 po 3,5 dnech tréninku na osmi GPU, což je zlomek nákladů na trénink nejlepších modelů z literatury. Ukazujeme, že Transformer se dobře generalizuje na jiné úkoly, a to díky úspěšnému použití na analýzu anglických větných členů jak s velkým, tak s omezeným množstvím trénovacích dat.

• Tokenizace: Text není zpracováván jako celá slova, ale jako „tokeny“ (části slov, slabiky).
• Attention Mechanism (Mechanismus pozornosti): Umožňuje modelu vážit důležitost různých slov ve větě bez ohledu na jejich vzdálenost (např. pochopení kontextu zájmena na konci dlouhého odstavce).
• Parametry: „Neurony“ sítě. Čím více parametrů model má (miliardy až biliony), tím je obvykle schopnější, ale náročnější na hardware.

LLM nejsou jen o chatování. V IT a byznysu mají široké uplatnění:

• Generování kódu: Psaní funkcí, refactoring, hledání bugů (např. GitHub Copilot).
• Analýza a sumarizace: Zpracování dlouhých dokumentů, extrakce klíčových informací.
• Překlad: Vysoce kvalitní kontextové překlady mezi jazyky.
• Kreativní psaní: Marketingové texty, e-maily, scénáře.
• RAG (Retrieval-Augmented Generation): Propojení LLM s firemní databází pro odpovídání na dotazy nad vlastními daty.

Trh s LLM se dělí na uzavřené (proprietary) modely, které běží na serverech poskytovatele, a otevřené (open-weights/source) modely, které lze provozovat lokálně.

Průkopník moderní éry generativní AI.

• GPT-3.5 Turbo: Rychlý, levný model, který odstartoval mánii kolem ChatGPT. Dnes již zastaralý.
• GPT-4: Dlouho považován za krále LLM. Vynikající v logice, kódování a složitých instrukcích.
• GPT-4o (Omni): Multimodální model (text, audio, video v reálném čase). Rychlejší a levnější než GPT-4.
• o1 (Strawberry): Nová třída modelů zaměřená na „reasoning“ (uvažování). Před odpovědí „přemýšlí“ (Chain of Thought), což ho činí excelentním v matematice a programování, ale pomalejším pro běžný chat.

Google sjednotil své předchozí projekty (PaLM, LaMDA) pod značku Gemini. Jsou nativně multimodální.

• Gemini Nano: Nejmenší verze, určená pro běh přímo v mobilních telefonech (Android).
• Gemini Flash: Optimalizovaný pro rychlost a efektivitu, velká kontextová paměť (až 1M tokenů).
• Gemini Pro: Zlatý střed, hlavní konkurent GPT-4o.
• Gemini Ultra: Nejvýkonnější model pro nejnáročnější úlohy.

Firma založená bývalými zaměstnanci OpenAI, zaměřuje se na bezpečnost a etiku („Constitutional AI“).

• Claude 3 Haiku: Extrémně rychlý a levný model, ideální pro čtení velkého množství dat.
• Claude 3.5 Sonnet: Aktuálně (2024/2025) často hodnocen jako nejlepší model na světě pro kódování a psaní, překonávající GPT-4o v nuancích.
• Claude 3 Opus: Původní vlajková loď, velmi silná v kreativním psaní.

Meta (Facebook) razí cestu Open Weights. Modely dává k dispozici komunitě zdarma.

• Llama 2: Starší generace, která definovala standard pro open-source.
• Llama 3 (8B, 70B, 405B): Současná špička open-source.
  • 8B: Lehký model, běží na běžných GPU.
  • 70B: Výkonný model srovnatelný s GPT-3.5/4.
  • 405B: Masivní model konkurující GPT-4o, ale vyžaduje obrovský hardware.

Francouzský startup, který je velmi efektivní a populární mezi vývojáři.

• Mistral 7B: Malý, ale velmi schopný model.
• Mixtral 8x7B (MoE): Využívá architekturu Mixture of Experts. Model se skládá z několika menších sítí, které se aktivují podle potřeby. Velmi rychlý a efektivní.
• Mistral Large: Uzavřený model, konkuruje GPT-4.
• Codestral: Specializovaný model pro programování.

• Grok (xAI): Model Elona Muska, integrovaný do sítě X (Twitter). Má přístup k reálným datům z této sítě a vyznačuje se menšími zábranami („vzpurný mód“).
• Phi (Microsoft): Série „Small Language Models“ (SLM). Trénované na učebnicových datech, aby byly extrémně malé, ale logicky zdatné.
• Command R+ (Cohere): Specialista na RAG a práci ve firemním prostředí, exceluje v citování zdrojů.

• Halucinace: LLM neumí „fakta“, pouze predikuje slova. Může sebevědomě tvrdit naprosté nesmysly.
• Context Window (Kontextové okno): Omezená paměť modelu. Jakmile konverzace přesáhne limit (např. 128k tokenů), model zapomíná začátek.
• Bias (Předpojatost): Modely přejímají stereotypy z trénovacích dat.

Tagy: ai llm gpt claude llama machine_learning