LLM: wat een large language model is en hoe het werkt

Een large language model is een neuraal netwerk met miljarden parameters dat is getraind op enorme hoeveelheden tekst, code en (bij multimodale modellen) beeld en audio. De trainingsopdracht is verrassend simpel: voorspel het volgende token. Doe je dat op internetschaal, dan ontstaan daaruit vaardigheden die niemand expliciet heeft geprogrammeerd — samenvatten, vertalen, redeneren, code schrijven en stijl imiteren. Het model raadpleegt geen database met feiten: het genereert het meest waarschijnlijke vervolg op basis van patronen. Dat verklaart zowel de kracht als de zwakte (hallucinaties).

Na de pretraining volgen twee stappen. Bij instruction tuning leert het model opdrachten opvolgen in plaats van tekst afmaken. Daarna volgt afstemming op menselijke voorkeuren (RLHF of vergelijkbare methodes), waarmee toon, veiligheid en behulpzaamheid worden bijgestuurd. Recente modellen krijgen daar een derde laag bovenop: expliciete redeneertijd vóór het antwoord en het gebruik van tools zoals zoeken, code uitvoeren of API's aanroepen. Dat laatste is de basis onder AI-agents.

Het is geen zoekmachine, geen database en geen rekenmachine. Zonder tools kan een model niet weten wat er vandaag gebeurde, kan het geen bestand openen dat je niet meestuurt en rekent het onbetrouwbaar op grote getallen. Alles wat feitelijk moet kloppen, hoort uit een bron te komen die je zelf aanlevert of laat ophalen (RAG of live zoeken).

AI-assistenten beantwoorden steeds meer vragen zonder dat iemand doorklikt. Welke bronnen ze daarbij citeren, hangt af van hoe goed je content te vinden, te chunken en te verifiëren is: heldere koppen, concrete cijfers, datums, auteurs en structured data. Dat is precies wat Generative Engine Optimization (GEO) organiseert.