Cos'è un LLM? I grandi modelli linguistici spiegati semplicemente

Un LLM, o large language model, è un tipo di AI addestrato su enormi quantità di testo così da poter comprendere e generare il linguaggio. Dato un testo, prevede cosa dovrebbe venire dopo, un piccolo pezzo alla volta, e questa capacità semplice si rivela sufficiente per rispondere a domande, scrivere, riassumere, tradurre e scrivere codice. I modelli alla base di ChatGPT, Claude e Gemini sono tutti LLM.

Perché conta quando costruisci con l'AI

Se costruisci con un AI app builder, lavori con un LLM in due modi. Primo, un LLM è quello che costruisce: legge la tua richiesta, pianifica le modifiche e scrive il codice. Secondo, potresti voler un LLM dentro la tua app — un chatbot, un pulsante di riepilogo, un assistente di scrittura.

Capire le basi aiuta in entrambi i casi. Spiega perché l'AI a volte fraintende una richiesta vaga, perché può produrre con sicurezza qualcosa di sbagliato, perché le conversazioni lunghe possono farle perdere il filo dei dettagli precedenti e perché aggiungere funzioni AI alla tua app costa denaro a ogni utilizzo. Non ti servono i calcoli — solo un modello mentale corretto.

Un'analogia quotidiana

Immagina qualcuno che ha letto una biblioteca immensa — libri, siti web, manuali, codice, forum — e che è diventato straordinariamente bravo a continuare qualsiasi testo in modo coerente. Dagli l'inizio di un'email e la completerà con il tuo tono. Fagli una domanda e scriverà il tipo di risposta che di solito segue una domanda del genere.

Ma non ha appunti da controllare, e la biblioteca ha chiuso a una certa data. Richiama schemi, non cerca informazioni. Per la maggior parte del tempo gli schemi sono giusti. A volte riempie un vuoto con qualcosa che suona soltanto giusto, con la stessa identica sicurezza.

Questo è un LLM: uno scrittore molto colto e molto fluido, con una memoria imperfetta e nessun verificatore di fatti integrato.

Come funziona un LLM, in termini semplici

Addestramento. Al modello vengono mostrate quantità enormi di testo e impara, regolando miliardi di numeri interni (i suoi parametri), a prevedere il pezzo di testo successivo. Il progetto usato dalla maggior parte degli LLM si chiama transformer, introdotto dai ricercatori di Google nel 2017.
Messa a punto. Il modello grezzo viene poi raffinato per seguire le istruzioni, mantenere una conversazione ed evitare output dannosi, spesso usando il feedback umano.
Utilizzo (inferenza). Quando invii un prompt, il modello lo legge e genera una risposta un token alla volta, scegliendo ogni volta il token successivo più probabile in base a tutto ciò che è venuto prima.

Non ha al suo interno un database di fatti, e non continua a imparare dalla tua chat. Tutto ciò che “sa” in una conversazione viene dall'addestramento o da ciò che ha davanti in quel momento — la sua finestra di contesto.

Un esempio pratico: una risposta di assistenza

Supponi di gestire un negozio online di piante e di incollare questo testo in un LLM:

Un cliente scrive: “Il mio ordine #4412 è arrivato con un vaso rotto. Cosa potete fare?” La nostra politica: sostituiamo gli articoli danneggiati gratuitamente entro 14 giorni se il cliente invia una foto. Scrivi una risposta cordiale.

Ecco cosa succede:

Il testo viene suddiviso in token, forse un centinaio o poco più.
Il modello legge tutto: il messaggio del cliente, la tua politica e la tua istruzione.
Genera una risposta token per token: “Ciao! Mi dispiace tantissimo che il vaso sia arrivato rotto…” e chiede una foto, menzionando la sostituzione gratuita.

Ora prova la stessa richiesta senza la politica. Il modello scrive comunque una risposta sicura di sé e cordiale — ma potrebbe promettere un rimborso o una finestra di 30 giorni, perché sono schemi comuni nelle email di assistenza che ha visto. Questa è un'allucinazione, e mostra la lezione pratica più importante sugli LLM: sono accurati solo quanto le informazioni che gli dai. Le app che hanno bisogno di risposte affidabili forniscono al modello, ogni volta, il materiale di riferimento giusto, con una tecnica chiamata RAG.

Termini chiave spiegati

Termine	Significato
Token	Un pezzo di testo — spesso una parola o parte di una parola. Limiti e prezzi si contano in token.
Finestra di contesto	Quanto testo il modello può considerare in una volta: il prompt, la conversazione e gli eventuali documenti.
Prompt	L'input che dai al modello. Vedi cos'è il prompt engineering.
Parametri	I numeri interni appresi durante l'addestramento. Di più non significa automaticamente meglio.
Dati di addestramento	Il testo da cui il modello ha imparato.
Data di taglio della conoscenza	La data oltre la quale il modello non ha dati di addestramento, quindi non conosce eventi recenti se non glieli si dice.
Allucinazione	Un output fluido e sicuro di sé, ma falso.
Temperatura	Un'impostazione che regola quanto varia o quanto è prevedibile l'output.
Inferenza	Eseguire il modello per ottenere una risposta. È ciò per cui paghi a ogni utilizzo.
Multimodale	Modelli che sanno gestire anche immagini, audio o altri input, non solo testo.
API	Il modo in cui un'app invia prompt a un LLM in modo programmatico. Vedi come usare le API degli LLM.

Errori comuni e false convinzioni

“Cerca le cose su internet.” Un LLM semplice non lo fa. Alcune app aggiungono la ricerca web o il recupero di documenti, ma il modello in sé genera a partire dagli schemi.
“Se suona sicuro, è giusto.” Sicurezza e accuratezza non sono collegate. Verifica nomi, numeri, date, prezzi e tutto ciò che è legale o medico.
“Ricorda tutto quello che ho detto.” Solo ciò che rientra nella finestra di contesto. Nelle conversazioni molto lunghe, i dettagli iniziali possono sparire o ricevere meno attenzione. Ripeti ciò che conta.
“Ragiona come una persona.” Può ragionare sui problemi in modo impressionante, ma non ha obiettivi, convinzioni o consapevolezza delle conseguenze. Tratta il suo output come una bozza da rivedere.
“Più grande o più nuovo è sempre meglio.” Per un compito semplice e ad alto volume, un modello più piccolo, economico e veloce è spesso la scelta giusta.
Inviare dati privati senza controllare. Prima di incollare dati dei clienti in un servizio AI o di integrarli in un'app, verifica le condizioni del fornitore su uso e conservazione dei dati.

Cosa chiedere al tuo AI builder

Quando l'LLM costruisce la tua app:

“Prima di cambiare qualsiasi cosa, dimmi cosa hai capito e cosa farai.”
“Ecco il testo esatto della politica; usalo parola per parola invece di inventare dettagli.”
“Non indovinare fatti come prezzi o date. Lascia un segnaposto e elencali per me.”

Quando vuoi un LLM dentro la tua app:

“Aggiungi un pulsante [riassumi] che chiama l'API di [fornitore] dal server. Conserva la chiave API in un segreto, mai nel browser.”
“Inserisci le nostre politiche nel prompt così le risposte restano aderenti, e rispondi “non lo so” quando non sei sicuro.”
“Limita la lunghezza delle risposte e il numero di richieste che un utente può fare al giorno.”
“Registra quanto costa ogni richiesta così posso vedere l'utilizzo.”

Per una guida passo dopo passo, vedi come aggiungere funzioni AI alla tua app.

Gli LLM e Mythex

L'agente di costruzione di Mythex funziona con un LLM. Tutti ricevono lo stesso agente Standard — non c'è un selettore di modello — e la costruzione usa i crediti Mythex. Le funzioni AI dentro l'app che costruisci sono separate: porti la tua chiave API di un fornitore come OpenAI o Anthropic, la salvi come segreto del progetto, e il fornitore ti addebita direttamente quell'utilizzo. La ricetta della documentazione aggiungi AI alla tua app mostra il prompt da usare.

Domande

Cosa significa LLM?

LLM sta per large language model, cioè grande modello linguistico: un modello di AI addestrato su quantità molto grandi di testo per comprendere e generare il linguaggio. I modelli alla base di ChatGPT, Claude e Gemini sono LLM.

ChatGPT è un LLM?

ChatGPT è un'app di chat costruita sugli LLM di OpenAI. L'LLM è il modello sottostante che genera il testo; l'app aggiunge attorno a esso l'interfaccia di chat, le funzioni di memoria, gli strumenti e i livelli di sicurezza.

Perché gli LLM inventano le cose?

Un LLM genera le parole successive più plausibili in base agli schemi che ha appreso, non cercando i fatti in un database. Quando gli mancano le informazioni giuste può produrre un testo fluido e sicuro di sé, ma sbagliato: si chiama allucinazione. Fornirgli materiale di riferimento e verificare le sue risposte riduce il rischio.

Gli LLM imparano dalle mie conversazioni?

Un modello non cambia durante una conversazione; vede solo ciò che è nella sua finestra di contesto. Se le tue conversazioni vengano usate in seguito per addestrare modelli futuri dipende dalla politica del fornitore e dalle tue impostazioni, quindi verifica i termini del servizio che usi.

Cos'è un token in un LLM?

Un token è un pezzo di testo che il modello legge e scrive — spesso una parola o una parte di parola. I limiti di contesto e i prezzi delle API si misurano in token, quindi prompt e risposte più lunghi costano di più.