Groot taalmodel (LLM)

Een groot taalmodel of large language model (LLM) is het soort AI achter chatbots zoals ChatGPT, Claude en Gemini. Het heeft van heel veel tekst geleerd hoe taal werkt, dus het kan een document samenvatten of een e-mail opstellen. Het schrijft door stukje voor stukje te voorspellen wat erna past. De antwoorden lezen goed maar kloppen niet altijd, en het kent je prijzen of klanten alleen als je ze vertelt.

Hoe werkt het?

Een LLM is een neuraal netwerk met miljarden instelbare getallen, parameters genoemd. Het overzichtsartikel van Zhao e.a. beschrijft LLM's als transformer-taalmodellen met honderden miljarden parameters of meer, getraind op zeer grote hoeveelheden tekst, en merkt op dat er geen formele afspraak is over hoe groot een model moet zijn om mee te tellen. Het transformerontwerp komt van Vaswani e.a. (2017). Llama 3 van Meta (juli 2024) bestaat in drie groottes, met 8, 70 en 405 miljard parameters, en het grootste model is vooraf getraind op 15,6 biljoen tokens tekst (Llama 3-paper).

De training gaat in fasen. Bij pre-training leest het model tekst en leert het het volgende token te voorspellen. Een model dat alleen zo is getraind, volgt instructies niet betrouwbaar op. Voor InstructGPT heeft OpenAI GPT-3 verder getraind op antwoorden die door mensen waren geschreven, en daarna met RLHF (reinforcement learning from human feedback). In de tests gaven mensen de voorkeur aan de antwoorden van het InstructGPT-model met 1,3 miljard parameters boven die van GPT-3 met 175 miljard (Ouyang e.a., 2022).

Als je het model gebruikt (inferentie), berekent het voor elk mogelijk volgend token een kans, kiest er een, voegt dat toe aan de tekst en herhaalt dat (autoregressieve generatie). Jay Alammar laat die lus stap voor stap zien voor GPT-2. Alles waar het model rekening mee houdt, moet in zijn contextvenster passen.

Wat kan het?

In 2020 liet GPT-3, met 175 miljard parameters, zien dat een groot model een nieuwe taak kan uitvoeren op basis van een paar voorbeelden in de prompt, zonder extra training, en dat grotere modellen dat beter doen (Brown e.a., 2020). Dat heet in-context learning. Wei e.a. (2022) noemen een vaardigheid "emergent" als grotere modellen haar hebben en kleinere niet. Schaeffer e.a. (2023) stellen dat veel van die plotselinge sprongen voortkomen uit de maatstaf die onderzoekers kozen: gemeten op een doorlopende schaal verloopt de verbetering geleidelijk.

Waar gaat het mis?

• Het kan met stelligheid onware dingen beweren, een hallucinatie: het maakt waarschijnlijke tekst, en waarschijnlijke tekst kan onjuist zijn.
• Zijn kennis houdt op bij een datum. In september 2026 geeft Anthropic voor Claude Haiku 4.5 een betrouwbare kennisgrens (reliable knowledge cutoff) van februari 2025 op en voor Claude Sonnet 5 januari 2026 (modeloverzicht).
• Het kent je eigen gegevens niet, zoals bestellingen of voorraad, tot je ze aanlevert: in de prompt, via RAG of via function calling.

Welke LLM's zijn er?

Sommige LLM's kun je alleen als dienst gebruiken, via een app of een API, zoals Claude van Anthropic en Gemini van Google. Andere worden gepubliceerd als open weights die je kunt downloaden en op je eigen server kunt draaien, zoals Llama 3 van Meta (zie open weights vs open source). Makers bieden meestal meerdere modellen aan tegen verschillende prijzen. In september 2026 rekent Anthropic $1 per miljoen invoertokens voor Claude Haiku 4.5, dat het zijn snelste model noemt, en $4 voor Claude Opus 5.5, dat het voor het meeste werk aanraadt.

Voorbeeld

Stel: een webwinkel wil hulp bij klantmails. Een LLM kan meteen een klacht lezen en een beleefd antwoord opstellen in het Nederlands of Engels. Het kan niet weten of bestelling 1234 al verzonden is, want dat staat niet in zijn trainingsdata. Dus koppelt de winkel het aan het ordersysteem via function calling en zet hij het retourbeleid in de prompt. In het begin controleert een medewerker de concepten, want het model kan een levertijd of terugbetalingsregel noemen die aannemelijk klinkt en niet bestaat.