Mi az LLM, és mire nem képes valójában az AI: nyelvi modell cégtulajdonosoknak

Az Anthropic dokumentációja szerint a jelenlegi Claude modellek megbízható tudása 2026 júniusáig, az OpenAI GPT-6 Astra modelljének tudása pedig 2026. április 30-ig terjed, így a később történtekről webes keresés nélkül semmi megbízhatót nem tudnak mondani. Mi az LLM? A nagy nyelvi modell (large language model) egy hatalmas mennyiségű szövegen betanított program, amely azt jósolja meg, hogyan folytatódjon egy szöveg. A tényeket önmagában nem ellenőrzi, ezért ugyanolyan magabiztosan tud tévedni, mint amilyen magabiztosan igazat mond. Egy cég számára ebből egyszerű szabály következik: a szöveg vázlatát bízza az AI-ra, a számokat, neveket és jogi kérdéseket pedig ellenőrizze ember.

Ez az útmutató technikai zsargon nélkül elmagyarázza, hogyan készül egy nyelvi modell, mit jelentenek a tokenek, a kontextusablak és a tudás határideje, miért talál ki néha dolgokat az AI, és hogyan ellenőrizheti a válaszát. Ha cégében már konkrét folyamatokra használja az AI-t, folytatásként ajánljuk pillércikkünket arról, mit érdemes valóban AI-val automatizálni a céges folyamatokban. Ha a weboldalát AI eszköz építette, gyakorlati ellenőrzéseket a vibe-coded weboldal elsősegély-ellenőrzőlistájában talál, a kód független átvilágítását pedig műszaki weboldal auditunk kínálja.

Mi az LLM, és hogyan készül: a következő szó megjóslásától az asszisztensig

Az LLM nagy mennyiségű szövegen betanított modell, amely először a következő szó megjóslását tanulja meg, majd finomhangolással olyan asszisztens lesz belőle, amely kérdésekre válaszol.

Az Anthropic a fogalomtárában az LLM-eket sok paraméterrel rendelkező nyelvi modellekként írja le, amelyeket hatalmas mennyiségű szöveges adaton tanítottak. Képesek emberihez hasonló szöveget írni, kérdésekre válaszolni és információt összefoglalni. Cégtulajdonosként két szakaszt érdemes ismernie, mert mindkettő másfajta hibát magyaráz meg.

Előtanítás: a modell megtanulja, hogyan folytatódik a szöveg

Az első szakaszban a modell nagy, címkézetlen szövegkorpuszt dolgoz fel, és megtanulja megjósolni a következő szót az előző kontextus alapján. Ugyanezen fogalomtár szerint az így előtanított modell önmagában nem jó a kérdések megválaszolásában és az utasítások követésében. A szöveget folytatni tudja, és ebben a szakaszban a képességei itt véget is érnek.

Finomhangolás: a szöveggépből asszisztens lesz

A második szakasz a további adatokon végzett finomhangolás (fine-tuning) és az RLHF nevű módszer. Ennek során emberek rangsorolnak két vagy több mintaválaszt, a modell pedig megtanulja előnyben részesíteni a jobban értékelteket. Csak ezután lesz belőle olyan asszisztens, amely a chatben kérdésekre válaszol. Az Anthropic szerint a Claude pontosan így épül fel: egy finomhangolt és RLHF-fel tanított nagy nyelvi modellen.

A gyakorlati következmény egyetlen dolog. A modell önmagában azt a szöveget írja meg, amely a megtanult minták alapján a legjobban folytatja a kérését. Ha tényre van szüksége az AI-tól, adja meg neki a forrásanyagot, amelyből vegye, és figyelje, hogy a válasz hivatkozik-e rá.

Tokenek, kontextusablak és a tudás határideje: három fogalom, amely a legtöbb meglepetést megmagyarázza

A modell tokenekben dolgozza fel a szöveget, csak azt látja, ami belefér a kontextusablakba, és csak azt tudja, ami a tudása határideje előtti szövegekben szerepelt.

Tokenek: a szöveg és az ár mértékegysége

A token a legkisebb egység, amellyel a modell dolgozik. Lehet egész szó, szórész, egyetlen karakter vagy bájt. A Google Gemini API dokumentációja szerint a Gemini modelleknél egy token nagyjából 4 karakter, 100 token pedig nagyjából 60 és 80 közötti számú angol szónak felel meg. Az Anthropic szerint a korábbi Claude modelleknél egy token nagyjából 3,5 angol karaktert jelent, a Claude 4.7-től kezdődő modellek pedig új tokenizálót használnak, amely ugyanabból a szövegből nagyjából 30 százalékkal több tokent készít. Az Anthropic szerint az, hogy hány karakter jut egy tokenre, a modelltől és a nyelvtől is függ, így az angol arányok a magyarra nem érvényesek automatikusan.

A tokenek két dolgot határoznak meg. API-n keresztüli fizetésnél ezek alapján számolják az árat: a Google azt írja, hogy egy Gemini API-hívás költségét többek között a bemeneti és kimeneti tokenek száma határozza meg. Tokenekben mérik a modell kapacitását is, vagyis hogy egyszerre mennyi szöveget képes kezelni.

Kontextusablak: a modell munkamemóriája

A kontextusablak az a teljes szöveg, amelyet a modell a válasz megírása közben lát, magát a választ is beleértve. Az Anthropic a kontextusablakról szóló dokumentációjában a modell munkamemóriájának nevezi, és megkülönbözteti azoktól az adatoktól, amelyeken a modell tanult. A jelenlegi Claude modellek ablaka 1 millió token, ami az Anthropic szerint nagyjából 555 ezer szó. Az OpenAI szerint a GPT-6 Astra ablaka 1,05 millió token.

A nagy ablak nem jelenti azt, hogy a modell mindent egyformán jól használ fel benne. Ugyanezen dokumentáció szerint a tokenek számának növekedésével csökken a pontosság és a részletek felidézésének képessége. Az Anthropic ezt a jelenséget context rotnak nevezi. A chatfelületek, például a claude.ai, hosszú beszélgetésben folyamatosan is kezelhetik az ablakot, így a legrégebbi részek átadják a helyüket az újaknak. Egy hosszú beszélgetés elején adott utasítást ezért a modell a végén már nem feltétlenül tartja be.

A tudás határideje: a vonal, amelyen túl a modell nem lát

Minden modellnek van egy dátuma, ameddig a tudása a legteljesebb és legmegbízhatóbb. A Claude Fable 5.1, Opus 5.5, Sonnet 5.5 és Haiku 5.5 modelleknél ez az Anthropic modellismertetője szerint 2026 júniusa. A GPT-6 Astra esetében az OpenAI modelloldala szerint 2026. április 30. Újabb eseményekről, törvény- vagy árlistaváltozásokról a modell csak akkor válaszol helyesen, ha valaki megadja neki ezeket az információkat: Ön a forrásanyag bemásolásával, vagy az alkalmazás webes kereséssel.

Fogalom	Mit jelent	Mit tegyen vele
Token	Szó, szórész vagy karakter, amellyel a modell számol; tokenekben mérik a kapacitást és az API árát	Hosszú dokumentumoknál és API-használatnál tokenekben számoljon, ne oldalakban
Kontextusablak	Az a teljes szöveg, amelyet a modell a válasznál lát, a választ is beleértve	A fontos utasítást ismételje meg, új feladathoz nyisson új beszélgetést
A tudás határideje	Az a dátum, ameddig a modell tudása a legmegbízhatóbb	Aktuális témáknál adjon meg forrást, vagy kapcsolja be a keresést
Hőmérséklet és véletlenszerűség	A válaszok változatosságának beállítása; ugyanaz a kérdés más választ adhat	A fontos választ készíttesse el kétszer, és vesse össze

Ha egy AI-válasz csalódást okoz, először derítse ki, melyik korlátba ütközött. Ettől függ a javítás: a hiányzó forrásanyagot pótolja, a túlterhelt beszélgetést újrakezdi, az elavult adatot pedig a forrásban ellenőrzi.

Miért válaszol az AI magabiztosan akkor is, amikor téved

A hallucináció olyan szöveg, amely tényszerűen hibás, vagy nem egyezik a kapott forrásanyaggal, és az Anthropic szerint a legfejlettebb modellek sem kerülik el.

Az Anthropic hallucinációk csökkentéséről szóló útmutatója szerint még a legfejlettebb nyelvi modellek, köztük a Claude is, néha olyan szöveget hoznak létre, amely tényszerűen hibás, vagy ellentmond a kapott kontextusnak. Ugyanezen útmutató szerint az ajánlott technikák jelentősen csökkentik, de teljesen nem szüntetik meg a hallucinációkat. A kritikus információkat mindig ellenőrizni kell, különösen a nagy tétű döntéseknél.

Az ok illeszkedik ahhoz, ahogyan a modell készül. Az előtanított modell a szöveg folytatását tanulta, az igazság ellenőrzése nem volt része ennek a tanításnak. Egy gördülékeny, magabiztos mondat ezért semmit sem mond a válasz helyességéről.

Ugyanaz a kérdés, más válasz

Az OpenAI a szöveggenerálási útmutatójában azt írja, hogy a modell által létrehozott tartalom nem determinisztikus, és ugyanazon modellcsalád különböző változatai is eltérő eredményt adhatnak. Az Anthropic hozzáteszi, hogy az eredmények még nullára állított hőmérséklet mellett sem teljesen azonosak. A hőmérséklet a véletlenszerűség beállítása: a magasabb érték változatosabb megfogalmazást ad, az alacsonyabb a legvalószínűbb szövegezésnél marad.

Egy cégnél ez mindennél számít, ami ismétlődik. Ha az AI számlákat válogat vagy ügyfeleknek válaszol, ugyanaz a bemenet nem mindig adja ugyanazt a kimenetet. Egy ilyen folyamatnak ellenőrzésre vagy a modellen kívüli rögzített szabályra van szüksége, amiről a kisvállalkozások n8n és Make alapú folyamatautomatizálásáról szóló cikkünk is szól. Ezek nélkül az egyik futás hibája csak az ügyfélnél derülhet ki.

Mire nem képes valójában az AI: öt korlát, amellyel számolni kell

A nyelvi modell semmit sem tud a tudása határideje utáni időről, nem látja a céges adatait, amíg meg nem adja neki, nem garantál kétszer ugyanazt a választ, hosszú szövegnél veszít a pontosságából, és önmagától nem ellenőrzi, hogy igaza van-e.

1. Nem tudja, mi történt a tudása határideje után. Az aktuális árakat, törvényeket és híreket adja meg Ön, vagy használjon webes keresést, és nyissa meg a válasz forrását.
2. Nem látja a céges adatait. A modell azzal dolgozik, amit a tanítás során megtanult, és azzal, ami a kontextusablakban van. A RAG technika, amelyet az Anthropic a fogalomtárában ismertet, a kérdés pillanatában helyezi az ablakba a releváns dokumentumokat. A válasz csak ekkor épülhet az Ön forrásanyagára.
3. Nem garantálja ugyanazt a választ. A kimenet nem determinisztikus, ezért ismétlődő feladatoknál ellenőrizzen mintát az eredményekből.
4. Hosszú szövegnél veszít a pontosságából. A tokenek számának növekedésével romlik a pontosság és a részletek felidézése. A hosszú dokumentumot ossza részekre, vagy kérjen a modelltől szó szerinti idézeteket.
5. Önmagát nem ellenőrzi. A technikák csökkentik a hallucinációkat, de nem szüntetik meg őket. Az utolsó ellenőrzés az emberé marad.

Hogy melyik korlát okoz majd gondot, az a feladattól függ. Az alábbi táblázat a mi ajánlásunk, nem a gyártók szabálya:

Feladat	Alkalmas LLM-re?	Mit ellenőriz az ember
E-mail vagy bejegyzés első vázlata	Igen	A hangnemet, a neveket és minden ügyfélnek tett ígéretet
Az Ön által bemásolt dokumentum összefoglalása	Igen, idézetekkel	Hogy az idézetek valóban szerepelnek-e a dokumentumban
Aktuális árak, törvények és határidők	Csak kereséssel vagy saját forrásanyaggal	A forrást és a dátumot, amelyre érvényes
Ajánlatkérések vagy számlák ismétlődő válogatása	Igen, rendszeres ellenőrzéssel	A kimenetek véletlenszerű mintáját
Jogi vagy adózási döntés	Csak a kérdések előkészítésére	Szakértő, aki felel a válaszért

Hogyan ellenőrizze az AI válaszát: öt lépés

Engedje meg a modellnek, hogy azt mondja: „nem tudom”, korlátozza a saját forrásanyagára, hosszú dokumentumnál először kérjen szó szerinti idézeteket, minden állítást támasztasson alá, és a fontos választ készíttesse el kétszer.

Mind az öt lépés az Anthropic hallucinációk csökkentéséről szóló útmutatóján alapul, és az is el tudja végezni, aki nem ért a témához:

1. Engedje meg, hogy azt mondja: „nem tudom”. Az Anthropic szerint ha kifejezetten megengedi a modellnek, hogy beismerje a bizonytalanságot, az jelentősen csökkentheti a valótlan információk mennyiségét. Írja a kérésbe: „Ha nincs benne a forrásanyagban, írd, hogy nem tudod.”
2. Korlátozza a saját forrásanyagára. Írja meg, hogy csak a bemásolt dokumentumok információit használja, ne az általános tudását.
3. Hosszú dokumentumnál először kérjen idézeteket. A 20 ezer tokennél hosszabb dokumentumoknál az Anthropic azt ajánlja, hogy a modell előbb gyűjtse ki a szó szerinti idézeteket, és csak utána végezze el a feladatot.
4. Minden állításhoz kérjen forrást. A modell minden állításhoz keressen alátámasztó idézetet, és vonja vissza azt az állítást, amelyhez nem talál. Legalább egy idézetet ezután keressen meg Ön is az eredeti dokumentumban.
5. A fontos választ készíttesse el kétszer. Ha ugyanarra a kérdésre adott két válasz lényeges pontban eltér, az az Anthropic szerint lehetséges hallucinációra utal.

Ez a módszer sem szünteti meg teljesen a hallucinációkat. A számokat, neveket, határidőket és mindent, ami ügyfélhez, hatósághoz vagy szerződésbe kerül, ezért elküldés előtt olvassa el az az ember, aki az eredményért felel.

A gyakorlatban: hogyan dolgozunk nyelvi modellekkel a Denvánál

Ezen a blogon az első vázlatot AI írja, és a cikk minden számának olyan forrással kell rendelkeznie, amelyet az írás napján megnyitottunk.

Ez a cikk is AI segítségével készült, ahogy az alatta lévő megjegyzés is jelzi. A szabályok ugyanazok, amelyeket Önnek is ajánlunk: minden szám, dátum és terméknév olyan hivatalos dokumentációra hivatkozik, amelyet írás közben valóban megnyitottunk, ami pedig nem ellenőrizhető, az nem kerül a szövegbe. A modellek tudásának határideje és a kontextusablakok mérete minden új verzióval változik, ezért feltüntetjük, melyik hónapra érvényesek. Ugyanezt a szabályt ajánljuk a weboldala szövegeihez is. Arról, hogy a keresőben megjelenő AI-válaszok hogyan változtatják meg a weboldalak látogatottságát, a Google AI Mode és a weboldalára gyakorolt hatása című cikkünk szól.

Az olyan AI eszközökkel, mint a Cursor, a Lovable, a Bolt vagy a v0, épített weboldalakra ugyanaz érvényes, mint a szövegre. Az eredmény működőnek tűnhet, a gyenge pontok viszont a felszín alatt rejtőznek. A modell ugyanúgy tud helyesnek látszó kódot írni, ahogyan helyesnek hangzó mondatot. Ezért az ilyen weboldalaknál a vibe coding jellemző mintáira összpontosító műszaki auditot végzünk.

A gyártók angol szövegre adják meg a tokenarányokat, és az Anthropic kifejezetten írja, hogy az egy tokenre jutó karakterek száma a nyelvtől függ. Aki magyar dokumentumokat tervez API-n keresztül AI-val feldolgozni, a kapacitást és az árat saját magyar szövegmintán ellenőrizze.

Összegzés: mikor bízzon az AI-ban, és mikor ellenőrizze

Ha az AI-t saját forrásanyagból készülő szövegvázlatokra, e-mailekre és összefoglalókra használja, folytassa, és vezesse be a cikk öt ellenőrző lépését. Ha aktuális tényeket, árakat vagy jogi válaszokat vár tőle, adjon meg forrást, vagy kapcsolja be a keresést, és nyissa meg a forrást. Ha ember nélkül futó folyamatba szeretné bekapcsolni, előbb döntse el, ki és milyen gyakran ellenőrzi a kimenetek mintáját. Ha pedig a weboldalát vagy annak kódját AI írta, ugyanolyan ellenőrzésre van szüksége, mint a szövegnek, csak olyasvalakitől, aki tudja, minek kell a felszín alatt lennie.

GYIK

Gyakori kérdések.

Mi az LLM egyszerűen megfogalmazva?

Az LLM nagy nyelvi modell, vagyis hatalmas mennyiségű szövegen betanított program, amely azt jósolja meg, hogyan folytatódjon egy szöveg. Asszisztenssé finomhangolva kérdésekre válaszol, dokumentumot foglal össze vagy szövegvázlatot ír. A tényeket azonban önmagában nem ellenőrzi.

Ugyanaz a Claude vagy a ChatGPT, mint az LLM?

Ezek nyelvi modellekre épülő alkalmazások. Az Anthropic a Claude-ot egy finomhangolt és RLHF módszerrel tanított nagy nyelvi modellen alapuló asszisztensként írja le, az OpenAI pedig a dokumentációjában az API-n keresztüli szöveggenerálást a ChatGPT használatához hasonlítja.

Miért talál ki néha dolgokat az AI?

A modell a szöveg folytatását tanulta, az igazság ellenőrzése nem volt része a tanításnak, ezért tud magabiztos, de hibás választ írni. Az Anthropic ezt hallucinációnak nevezi, és szerinte az olyan technikák, mint a „nem tudom” válasz megengedése vagy a forrásanyagból vett idézetek, jelentősen csökkentik, de teljesen nem szüntetik meg.

Tudja az AI, mi történik ma?

Önmagától csak azt tudja, ami a tudása határideje előtti szövegekben szerepelt. A jelenlegi Claude modelleknél ez az Anthropic szerint 2026 júniusa, a GPT-6 Astránál az OpenAI szerint 2026. április 30. (2026. októberi állapot). Az újabb információkat Öntől vagy webes keresésből kell kapnia.

Mi a token, és miért számít?

A token szó, szórész vagy karakter, amellyel a modell dolgozik. A Gemini modelleknél a Google szerint nagyjából 4 karakternyi angol szöveg. Tokenekben mérik, mennyi szöveget képes a modell egyszerre kezelni, és API-n keresztüli fizetésnél az árat is.