O que é um LLM? Grandes modelos de linguagem explicados de forma simples

Um LLM, ou grande modelo de linguagem, é um tipo de IA treinado com quantidades enormes de texto para que consiga entender e gerar linguagem. Dado um trecho de texto, ele prevê o que deve vir em seguida, uma pequena parte por vez, e essa capacidade simples se mostra suficiente para responder perguntas, escrever, resumir, traduzir e escrever código. Os modelos por trás do ChatGPT, do Claude e do Gemini são todos LLMs.

Por que isso importa quando você cria com IA

Se você cria com um criador de apps com IA, está lidando com um LLM de duas formas. Primeiro, um LLM é quem constrói: ele lê o seu pedido, planeja as mudanças e escreve o código. Segundo, você pode querer um LLM dentro do seu app — um chatbot, um botão de resumo, um assistente de escrita.

Entender o básico ajuda nos dois casos. Isso explica por que a IA às vezes entende mal um pedido vago, por que pode produzir algo errado com total confiança, por que conversas longas podem fazê-la perder detalhes anteriores e por que adicionar recursos de IA ao seu app custa dinheiro a cada uso. Você não precisa de matemática — basta um bom modelo mental.

Uma analogia do dia a dia

Imagine alguém que leu uma biblioteca imensa — livros, sites, manuais, código, fóruns — e se tornou extraordinariamente bom em continuar qualquer texto de um jeito que se encaixe. Dê a essa pessoa o início de um e-mail e ela o termina no seu tom. Faça uma pergunta e ela escreve o tipo de resposta que costuma seguir uma pergunta assim.

Mas ela não tem anotações para conferir, e a biblioteca fechou em uma certa data. Ela recorda padrões, não consulta fatos. Na maioria das vezes os padrões estão certos. Às vezes preenche uma lacuna com algo que apenas soa correto, com exatamente a mesma confiança.

É isso um LLM: um escritor muito bem-lido e muito fluente, com uma memória imperfeita e sem um verificador de fatos embutido.

Como um LLM funciona, em termos simples

Treinamento. O modelo recebe grandes quantidades de texto e aprende, ajustando bilhões de números internos (seus parâmetros), a prever o próximo trecho de texto. O desenho usado pela maioria dos LLMs se chama transformer, apresentado por pesquisadores do Google em 2017.
Ajuste fino. O modelo bruto é então refinado para seguir instruções, manter uma conversa e evitar respostas nocivas, muitas vezes com feedback humano.
Uso (inferência). Quando você envia um prompt, o modelo o lê e gera uma resposta um token por vez, escolhendo a cada vez o próximo token mais provável dado tudo o que veio antes.

Ele não tem um banco de fatos dentro de si, e não continua aprendendo com o seu chat. Tudo o que ele "sabe" em uma conversa vem do treinamento ou do que está diante dele naquele momento — a sua janela de contexto.

Um exemplo prático: uma resposta de suporte

Suponha que você tem uma loja online de plantas e cola isto em um LLM:

Um cliente escreve: "Meu pedido #4412 chegou com um vaso quebrado. O que vocês podem fazer?" Nossa política: substituímos itens danificados gratuitamente em até 14 dias se o cliente enviar uma foto. Escreva uma resposta amigável.

Isto é o que acontece:

O texto é dividido em tokens, talvez cem ou algo assim.
O modelo lê tudo: a mensagem do cliente, a sua política e a sua instrução.
Ele gera a resposta token por token: "Oi! Lamento muito que o vaso tenha chegado quebrado…" e pede uma foto, mencionando a substituição gratuita.

Agora tente o mesmo pedido sem a política. O modelo ainda vai escrever uma resposta confiante e amigável — mas pode prometer um reembolso ou uma janela de 30 dias, porque são padrões comuns em e-mails de suporte que ele viu. Isso é uma alucinação, e ela mostra a lição prática mais importante sobre LLMs: eles são tão precisos quanto a informação que você lhes dá. Apps que precisam de respostas confiáveis alimentam o modelo com o material de referência certo a cada vez, uma técnica chamada RAG.

Termos explicados

Termo	O que significa
Token	Um pedaço de texto — muitas vezes uma palavra ou parte dela. Limites e preços são contados em tokens.
Janela de contexto	Quanto texto o modelo consegue considerar de uma vez: seu prompt, a conversa e quaisquer documentos.
Prompt	A entrada que você dá ao modelo. Veja o que é engenharia de prompts.
Parâmetros	Os números internos aprendidos no treinamento. Mais não significa automaticamente melhor.
Dados de treinamento	O texto com que o modelo aprendeu.
Data de corte do conhecimento	A data após a qual o modelo não tem dados de treinamento, então ele não conhece eventos recentes a menos que lhe digam.
Alucinação	Uma saída fluente e confiante, mas falsa.
Temperatura	Uma configuração de quão variada ou previsível é a saída.
Inferência	Executar o modelo para obter uma resposta. É isso que você paga a cada uso.
Multimodal	Modelos que também lidam com imagens, áudio ou outras entradas, não apenas texto.
API	Como um app envia prompts a um LLM por programação. Veja como usar APIs de LLM.

Erros comuns e ideias erradas

"Ele consulta informações." Um LLM puro não faz isso. Alguns apps acrescentam busca na web ou recuperação de documentos, mas o próprio modelo gera a partir de padrões.
"Se soa certo, então está certo." Confiança e precisão não têm relação. Confira nomes, números, datas, preços e tudo o que for jurídico ou médico.
"Ele lembra de tudo o que eu disse." Apenas o que cabe na janela de contexto. Em conversas muito longas, detalhes antigos podem sumir ou receber menos atenção. Repita o que importa.
"Ele pensa como uma pessoa." Ele consegue raciocinar sobre problemas de forma impressionante, mas não tem objetivos, crenças nem consciência de consequências. Trate a saída dele como um rascunho a ser revisado.
"Maior ou mais novo é sempre melhor." Para uma tarefa simples e de alto volume, um modelo menor, mais barato e mais rápido costuma ser a escolha certa.
Enviar dados privados sem conferir. Antes de colar dados de clientes em qualquer serviço de IA ou embuti-los em um app, confira os termos de uso e de retenção de dados do provedor.

O que pedir ao seu criador de apps com IA

Quando o LLM está construindo o seu app:

"Antes de alterar qualquer coisa, me diga o que você entendeu e o que vai fazer."
"Aqui está o texto exato da política; use-o palavra por palavra em vez de inventar detalhes."
"Não chute fatos como preços ou datas. Deixe um marcador e liste-os para mim."

Quando você quer um LLM dentro do seu app:

"Adicione um botão [resumir] que chame a API do [provedor] a partir do servidor. Guarde a chave de API em um segredo, nunca no navegador."
"Coloque as nossas políticas no prompt para que as respostas se atenham a elas, e diga 'não sei' quando tiver dúvida."
"Limite o tamanho das respostas e limite quantas requisições um usuário pode fazer por dia."
"Registre quanto cada requisição custou para que eu possa ver o uso."

Para um passo a passo, veja como adicionar recursos de IA ao seu app.

LLMs e o Mythex

O agente de construção do Mythex roda sobre um LLM. Todo mundo usa o mesmo agente Standard — não há seletor de modelo — e a construção consome créditos do Mythex. Os recursos de IA dentro do app que você constrói são outra coisa: você traz a sua própria chave de API de um provedor como OpenAI ou Anthropic, guarda-a como segredo do projeto, e o provedor cobra esse uso diretamente de você. A receita da documentação adicionar IA ao seu app mostra o prompt a usar.

Perguntas

O que significa LLM?

LLM significa large language model, ou grande modelo de linguagem: um modelo de IA treinado com quantidades muito grandes de texto para entender e gerar linguagem. Os modelos por trás do ChatGPT, do Claude e do Gemini são LLMs.

O ChatGPT é um LLM?

O ChatGPT é um aplicativo de chat construído sobre os LLMs da OpenAI. O LLM é o modelo subjacente que gera o texto; o aplicativo acrescenta a interface de chat, recursos de memória, ferramentas e camadas de segurança ao redor dele.

Por que os LLMs inventam coisas?

Um LLM gera as palavras seguintes mais plausíveis com base em padrões que aprendeu, e não consultando fatos em um banco de dados. Quando lhe falta a informação certa, ele pode produzir um texto fluente e confiante, mas errado, o que se chama alucinação. Fornecer material de referência e conferir as respostas reduz o risco.

Os LLMs aprendem com as minhas conversas?

Um modelo não muda durante a conversa; ele enxerga apenas o que está na sua janela de contexto. Se as suas conversas serão usadas depois para treinar modelos futuros depende da política do provedor e das suas configurações, então confira os termos do serviço que você usa.

O que é um token em um LLM?

Um token é um pedaço de texto que o modelo lê e escreve — muitas vezes uma palavra ou parte de uma palavra. Os limites de contexto e os preços das APIs são medidos em tokens, então prompts e respostas mais longos custam mais.