LLM क्या है? बड़े भाषा मॉडल सरल भाषा में

LLM, यानी large language model, एक तरह का AI है जिसे बहुत बड़ी मात्रा में टेक्स्ट पर प्रशिक्षित किया गया है ताकि वह भाषा समझ और बना सके। कुछ टेक्स्ट दिए जाने पर वह अगले हिस्से का अनुमान लगाता है, एक छोटे टुकड़े के बाद दूसरा, और यही सरल क्षमता सवालों के जवाब देने, लिखने, सारांश बनाने, अनुवाद करने और कोड लिखने के लिए काफ़ी साबित होती है। ChatGPT, Claude और Gemini के पीछे के सभी मॉडल LLM हैं।

AI से बनाते समय यह क्यों मायने रखता है

अगर आप AI ऐप बिल्डर से बना रहे हैं, तो आप दो तरह से LLM के साथ काम कर रहे हैं। पहला, बनाने का काम खुद एक LLM करता है: वह आपका अनुरोध पढ़ता है, बदलावों की योजना बनाता है और कोड लिखता है। दूसरा, आप शायद चाहें कि LLM आपके ऐप के अंदर हो — एक चैटबॉट, सारांश बनाने वाला बटन, या लेखन सहायक।

इसकी बुनियादी बातें समझने से दोनों ही स्थितियों में मदद मिलती है। इससे पता चलता है कि अस्पष्ट अनुरोध पर AI कभी-कभी गलत क्यों समझता है, वह आत्मविश्वास से गलत चीज़ क्यों लिख सकता है, लंबी बातचीत में पहले की बारीकियाँ क्यों खो सकता है, और आपके ऐप में AI फ़ीचर जोड़ने पर हर इस्तेमाल के हिसाब से खर्च क्यों लगता है। आपको गणित की ज़रूरत नहीं — बस एक सही मानसिक मॉडल चाहिए।

रोज़मर्रा की मिसाल

सोचिए कोई ऐसा व्यक्ति जिसने एक अकल्पनीय रूप से बड़ी लाइब्रेरी पढ़ ली है — किताबें, वेबसाइटें, मैन्युअल, कोड, फ़ोरम — और वह किसी भी लिखे हुए टुकड़े को ऐसे आगे बढ़ाने में माहिर हो गया है जो फ़िट बैठे। आप ईमेल की शुरुआत दें, तो वह आपके लहजे में उसे पूरा कर देगा। सवाल पूछें, तो वह वैसा ही जवाब लिखेगा जैसा आम तौर पर ऐसे सवाल के बाद आता है।

लेकिन उसके पास जाँचने के लिए कोई नोट्स नहीं हैं, और लाइब्रेरी एक तय तारीख पर बंद हो चुकी है। वह तथ्य खोज नहीं रहा, पैटर्न याद कर रहा है। ज़्यादातर समय पैटर्न सही होते हैं। कभी-कभी वह किसी खाली जगह को ऐसी चीज़ से भर देता है जो बस सही लगती है, और उसी आत्मविश्वास से।

यही एक LLM है: एक बहुत पढ़ा-लिखा, बहुत धाराप्रवाह लेखक, जिसकी याददाश्त अधूरी है और जिसमें कोई अंतर्निहित तथ्य-जाँचक नहीं है।

LLM सादे शब्दों में कैसे काम करता है

1. प्रशिक्षण। मॉडल को बहुत बड़ी मात्रा में टेक्स्ट दिखाया जाता है, और वह अपने अरबों आंतरिक मानों (इसके parameters) को समायोजित करके अगला टेक्स्ट अनुमान लगाना सीखता है। ज़्यादातर LLM जिस डिज़ाइन पर बनते हैं उसे transformer कहते हैं, जिसे 2017 में Google के शोधकर्ताओं ने पेश किया था।
2. ट्यूनिंग। फिर कच्चे मॉडल को निर्देशों का पालन करने, बातचीत चलाने और हानिकारक आउटपुट से बचने के लिए परिष्कृत किया जाता है, अक्सर मानवीय फ़ीडबैक से।
3. इस्तेमाल (inference)। जब आप प्रॉम्प्ट भेजते हैं, तो मॉडल उसे पढ़ता है और जवाब एक token एक बार में बनाता है, हर बार अब तक के सब कुछ को देखकर अगला सबसे संभावित token चुनता है।

उसके अंदर तथ्यों का कोई डेटाबेस नहीं है, और वह आपकी बातचीत से लगातार सीखता भी नहीं। बातचीत में वह जो कुछ "जानता" है, वह या तो प्रशिक्षण से है, या उस चीज़ से जो अभी उसके सामने है — उसकी context window।

एक उदाहरण: ग्राहक सहायता का जवाब

मान लीजिए आपकी ऑनलाइन पौधों की दुकान है और आप एक LLM में यह डालते हैं:

एक ग्राहक लिखता है: "मेरा ऑर्डर #4412 टूटे गमले के साथ आया है। आप क्या कर सकते हैं?" हमारी नीति: क्षतिग्रस्त सामान हम 14 दिनों के भीतर फ़ोटो भेजने पर मुफ़्त बदल देते हैं। एक दोस्ताना जवाब लिखो।

यहाँ यह होता है:

• टेक्स्ट को tokens में बाँटा जाता है, शायद सौ के आस-पास।
• मॉडल पूरा इनपुट पढ़ता है: ग्राहक का संदेश, आपकी नीति और आपका निर्देश।
• वह जवाब एक-एक token करके बनाता है: "नमस्ते! हमें बहुत अफ़सोस है कि आपका गमला टूटा हुआ पहुँचा…" और फ़ोटो माँगता है, मुफ़्त बदलने का ज़िक्र करते हुए।

अब वही अनुरोध नीति के बिना सोचिए। मॉडल फिर भी एक आत्मविश्वास भरा, दोस्ताना जवाब लिख देगा — लेकिन शायद रिफ़ंड का वादा कर दे, या 30 दिन की अवधि बता दे, क्योंकि सपोर्ट ईमेल में ये आम पैटर्न उसने देखे हैं। यह एक hallucination है, और यह LLM के बारे में सबसे व्यावहारिक सबक दिखाता है: वे उतने ही सही होते हैं जितनी जानकारी आप उन्हें देते हैं। जिन ऐप्स को भरोसेमंद जवाब चाहिए, वे हर बार मॉडल को सही स्रोत सामग्री देते हैं, जिस तकनीक को RAG कहते हैं।

मुख्य शब्दों की व्याख्या

आम गलतियाँ और गलतफ़हमियाँ

• "यह चीज़ें खोजता है।" सादा LLM ऐसा नहीं करता। कुछ ऐप्स वेब सर्च या दस्तावेज़ खोज जोड़ते हैं, पर मॉडल खुद पैटर्न से जनरेट करता है।
• "अगर यह पक्का लगता है, तो सही है।" आत्मविश्वास और सटीकता का आपस में कोई संबंध नहीं। नाम, संख्याएँ, तारीखें, कीमतें और कानूनी या चिकित्सा से जुड़ी हर बात जाँचें।
• "यह मेरी सारी बातें याद रखता है।" सिर्फ़ वही जो context window में समाता है। बहुत लंबी बातचीत में पुरानी बातें छूट सकती हैं या कम ध्यान पा सकती हैं। जो ज़रूरी है उसे फिर से लिखें।
• "यह इंसान की तरह सोचता है।" यह समस्याओं को प्रभावशाली ढंग से सुलझा सकता है, पर इसके कोई लक्ष्य, विश्वास या परिणामों की समझ नहीं है। इसके आउटपुट को एक मसौदा मानकर समीक्षा करें।
• "बड़ा या नया हमेशा बेहतर है।" एक सरल, बहुत अधिक मात्रा वाले काम के लिए छोटा, सस्ता, तेज़ मॉडल अक्सर सही विकल्प होता है।
• बिना जाँच के निजी डेटा भेजना। किसी AI सेवा में ग्राहक का डेटा डालने या उसे ऐप में बनाने से पहले प्रोवाइडर की डेटा-उपयोग और रखरखाव की शर्तें जाँचें।

अपने AI बिल्डर से क्या माँगें

जब LLM आपका ऐप बना रहा हो:

• "कुछ बदलने से पहले बताओ कि तुम्हें क्या समझ आया और तुम क्या करोगे।"
• "यह नीति का सटीक पाठ है; इसे शब्दशः इस्तेमाल करो, विवरण गढ़ो मत।"
• "कीमतों या तारीखों जैसे तथ्यों का अनुमान मत लगाओ। प्लेसहोल्डर छोड़ो और उनकी सूची मुझे दो।"

जब आप अपने ऐप के अंदर LLM चाहते हैं:

• "एक [सारांश] बटन जोड़ो जो सर्वर से [प्रोवाइडर] के API को कॉल करे। API key एक secret में रखो, कभी ब्राउज़र में नहीं।"
• "हमारी नीतियाँ प्रॉम्प्ट में डालो ताकि जवाब उन पर टिके रहें, और अनिश्चित होने पर 'मुझे पता नहीं' कहो।"
• "जवाबों की लंबाई सीमित करो, और हर यूज़र की दैनिक requests की संख्या तय करो।"
• "हर request की लागत लॉग करो ताकि मैं उपयोग देख सकूँ।"

चरण-दर-चरण मार्गदर्शन के लिए, देखें अपने ऐप में AI फ़ीचर कैसे जोड़ें।

LLM और Mythex

Mythex का बनाने वाला एजेंट एक LLM पर चलता है। सभी को एक ही Standard एजेंट मिलता है — मॉडल चुनने का कोई विकल्प नहीं — और बनाने में Mythex क्रेडिट लगते हैं। आपके बनाए ऐप के अंदर के AI फ़ीचर अलग हैं: आप OpenAI या Anthropic जैसे किसी प्रोवाइडर से अपनी API key लाते हैं, उसे प्रोजेक्ट secret के रूप में रखते हैं, और उस इस्तेमाल का बिल प्रोवाइडर सीधे आपको भेजता है। डॉक्स की रेसिपी अपने ऐप में AI जोड़ें वह प्रॉम्प्ट दिखाती है जो इस्तेमाल करना है।

सवाल