LLM, большая языковая модель

Один и тот же вопрос «какой интернет-магазин часов выбрать для подарка» задан одной модели пять раз. Магазин A назван первым в трёх ответах, магазин B в одном, в последнем названы оба. Кто смотрел один ответ, мог принять случайность за закономерность с шансом от 20 до 60%. Это условный пример, но он показывает природу LLM (Large Language Model, большой языковой модели). Её обучают на огромных объёмах текста, и ответ она строит слово за словом: на каждом шаге выбирает вероятное продолжение. ChatGPT, DeepSeek, GigaChat, Claude и Gemini построены на таких моделях.

Как модель решает, какой бренд назвать

База со списком «лучших магазинов» у неё не хранится, и поиска по базе она не делает. При обучении модель усвоила статистические связи: какие названия встречаются рядом со словами «кроссовки для бега», «ноутбук для учёбы», «банк для ИП». Когда вы задаёте вопрос, она продолжает текст теми словами, которые в этом контексте встречались чаще и убедительнее. У бренда, о котором много и однообразно писали на разных площадках, больше шансов попасть в ответ.

Для маркетолога из этого следуют две вещи. У модели есть дата отсечки знаний: о том, что было позже, она знает только то, что подтянет поиск. А ответ случаен: параметры генерации вроде температуры делают так, что на один вопрос выходят разные формулировки и разные списки брендов.

С поиском и без

Одна и та же модель работает в двух режимах. Без поиска она отвечает из памяти, и малоизвестный или новый бренд может не появиться совсем. С поиском (веб-поиск в LLM) она сначала собирает страницы из интернета и опирается на них. Тогда в ответе видны ссылки, а на результат влияют ваш сайт и сторонние публикации. Разницу по площадкам разобрали в стратегии для ChatGPT и стратегии для DeepSeek.

Три заблуждения

Модель принимают за базу знаний. Она может уверенно назвать несуществующий магазин или приписать бренду чужой ассортимент, это галлюцинация. Модель путают с продуктом: ChatGPT как приложение добавляет поиск, память и системные инструкции, и ответ через API может отличаться от ответа в интерфейсе (API и интерфейс). И результат одной модели выдают за «мнение нейросетей», хотя у каждой своя обучающая выборка и свои источники.