LLM Là Gì? Mô Hình Ngôn Ngữ Lớn Giải Thích Đơn Giản
LLM, hay mô hình ngôn ngữ lớn (large language model), là một loại AI được huấn luyện trên lượng văn bản khổng lồ để có thể hiểu và tạo ra ngôn ngữ. Khi được cho một đoạn văn bản, nó dự đoán điều gì nên xuất hiện tiếp theo, từng phần nhỏ một, và khả năng đơn giản đó đủ để trả lời câu hỏi, viết, tóm tắt, dịch và viết mã. Các mô hình đứng sau ChatGPT, Claude và Gemini đều là LLM.
Vì sao điều này quan trọng khi bạn xây dựng bằng AI
Nếu bạn xây dựng bằng một công cụ tạo app AI, bạn đang làm việc với LLM theo hai cách. Thứ nhất, một LLM đang thực hiện việc xây dựng: nó đọc yêu cầu của bạn, lập kế hoạch thay đổi và viết mã. Thứ hai, bạn có thể muốn một LLM nằm bên trong app của mình — một chatbot, một nút tóm tắt, một trợ lý viết.
Hiểu những điều cơ bản sẽ có ích trong cả hai trường hợp. Nó giải thích vì sao AI đôi khi hiểu sai một yêu cầu mơ hồ, vì sao nó có thể tự tin đưa ra điều sai, vì sao các cuộc trò chuyện dài khiến nó quên các chi tiết trước đó, và vì sao việc thêm tính năng AI vào app tốn tiền theo mỗi lần sử dụng. Bạn không cần toán — chỉ cần một mô hình tư duy đúng đắn.
Một ví dụ đời thường
Hãy tưởng tượng một người đã đọc một thư viện khổng lồ đến mức không thể hình dung — sách, website, sách hướng dẫn, mã nguồn, diễn đàn — và trở nên cực kỳ giỏi trong việc viết tiếp bất kỳ đoạn văn nào sao cho khớp với ngữ cảnh. Bạn đưa cho họ phần mở đầu của một email, họ sẽ viết tiếp đúng giọng điệu của bạn. Bạn đặt một câu hỏi, họ sẽ viết loại câu trả lời thường đi kèm với câu hỏi như vậy.
Nhưng họ không có ghi chú nào để kiểm tra, và thư viện đã đóng cửa vào một thời điểm nhất định. Họ đang gợi lại các mẫu, chứ không tra cứu thông tin. Phần lớn thời gian các mẫu đó đúng. Thỉnh thoảng họ lấp đầy khoảng trống bằng thứ nghe có vẻ đúng, với cùng mức tự tin.
Đó chính là một LLM: một người viết rất uyên bác, rất trôi chảy, với trí nhớ không hoàn hảo và không có công cụ kiểm tra sự thật tích hợp sẵn.
LLM hoạt động như thế nào, nói đơn giản
- Huấn luyện. Mô hình được cho xem lượng văn bản khổng lồ và học, bằng cách điều chỉnh hàng tỷ con số nội bộ (gọi là tham số), để dự đoán đoạn văn bản tiếp theo. Thiết kế mà hầu hết LLM dùng được gọi là transformer, do các nhà nghiên cứu của Google giới thiệu năm 2017.
- Tinh chỉnh. Mô hình thô sau đó được điều chỉnh để làm theo chỉ dẫn, duy trì cuộc trò chuyện và tránh đầu ra có hại, thường bằng phản hồi từ con người.
- Sử dụng (suy luận). Khi bạn gửi một prompt, mô hình đọc nó và tạo ra câu trả lời từng token một, mỗi lần chọn token tiếp theo có khả năng nhất dựa trên mọi thứ đứng trước.
Bên trong nó không có cơ sở dữ liệu sự thật, và nó cũng không tiếp tục học từ cuộc trò chuyện của bạn. Mọi thứ nó “biết” trong một cuộc trò chuyện hoặc đến từ lúc huấn luyện, hoặc đến từ những gì đang nằm trước mặt nó lúc này — cửa sổ ngữ cảnh của nó.
Ví dụ minh họa: một câu trả lời hỗ trợ khách hàng
Giả sử bạn điều hành một cửa hàng cây cảnh trực tuyến và dán đoạn sau vào một LLM:
Khách hàng viết: “Đơn hàng #4412 của tôi đến với một chậu bị vỡ. Bạn có thể làm gì?” Chính sách của chúng tôi: chúng tôi đổi miễn phí các mặt hàng bị hư hỏng trong vòng 14 ngày nếu khách gửi ảnh. Hãy viết một câu trả lời thân thiện.
Điều gì xảy ra tiếp theo:
- Văn bản được chia thành các token, khoảng vài trăm token.
- Mô hình đọc toàn bộ: tin nhắn của khách, chính sách của bạn và chỉ dẫn của bạn.
- Nó tạo ra câu trả lời từng token một: “Chào bạn! Tôi rất tiếc chậu cây đến bị vỡ…” và yêu cầu một bức ảnh, đề cập đến việc đổi miễn phí.
Bây giờ thử cùng yêu cầu nhưng không có chính sách. Mô hình vẫn viết một câu trả lời thân thiện và tự tin — nhưng có thể nó hứa hoàn tiền, hoặc thời hạn 30 ngày, vì đó là những mẫu phổ biến trong các email hỗ trợ mà nó đã thấy. Đó là một ảo giác, và nó cho thấy bài học thực tế nhất về LLM: chúng chính xác chỉ bằng thông tin bạn đưa cho chúng. Các app cần câu trả lời đáng tin cậy sẽ cung cấp cho mô hình tài liệu nguồn phù hợp mỗi lần, một kỹ thuật gọi là RAG.
Giải thích các thuật ngữ quan trọng
| Thuật ngữ | Nghĩa |
|---|---|
| Token | Một đoạn văn bản — thường là một từ hoặc một phần của từ. Giới hạn và giá được tính bằng token. |
| Cửa sổ ngữ cảnh (Context window) | Lượng văn bản mô hình có thể xem xét cùng lúc: prompt, cuộc trò chuyện và các tài liệu. |
| Prompt | Đầu vào bạn đưa cho mô hình. Xem prompt engineering là gì. |
| Tham số (Parameters) | Các con số nội bộ học được trong quá trình huấn luyện. Nhiều hơn không tự động nghĩa là tốt hơn. |
| Dữ liệu huấn luyện (Training data) | Văn bản mà mô hình đã học từ đó. |
| Mốc kiến thức (Knowledge cutoff) | Thời điểm sau đó mô hình không còn dữ liệu huấn luyện, nên nó không biết các sự kiện gần đây trừ khi được cho biết. |
| Ảo giác (Hallucination) | Đầu ra trôi chảy, tự tin nhưng sai sự thật. |
| Temperature | Một cài đặt cho biết đầu ra đa dạng hay dễ đoán đến mức nào. |
| Suy luận (Inference) | Chạy mô hình để có câu trả lời. Đây là thứ bạn trả tiền theo mỗi lần sử dụng. |
| Đa phương thức (Multimodal) | Các mô hình cũng xử lý được hình ảnh, âm thanh hoặc đầu vào khác, không chỉ văn bản. |
| API | Cách một app gửi prompt đến LLM bằng lập trình. Xem cách dùng API LLM. |
Các lỗi thường gặp và những hiểu lầm
- “Nó tra cứu thông tin.” Một LLM thuần túy thì không. Một số app có thêm tìm kiếm web hoặc truy xuất tài liệu, nhưng bản thân mô hình đang tạo ra nội dung từ các mẫu.
- “Nếu nghe có vẻ chắc chắn thì là đúng.” Sự tự tin và độ chính xác không liên quan đến nhau. Hãy kiểm tra tên, số liệu, ngày tháng, giá cả và mọi nội dung liên quan đến pháp lý hoặc y tế.
- “Nó nhớ mọi thứ tôi đã nói.” Chỉ nhớ những gì vừa trong cửa sổ ngữ cảnh. Trong các cuộc trò chuyện rất dài, các chi tiết ban đầu có thể rơi mất hoặc bị chú ý ít hơn. Hãy nhắc lại những điều quan trọng.
- “Nó suy nghĩ như con người.” Nó có thể lập luận ấn tượng khi giải quyết vấn đề, nhưng nó không có mục tiêu, niềm tin hay nhận thức về hậu quả. Hãy coi đầu ra của nó là bản nháp cần xem lại.
- “Lớn hơn hoặc mới hơn luôn tốt hơn.” Với một tác vụ đơn giản, khối lượng lớn, một mô hình nhỏ hơn, rẻ hơn và nhanh hơn thường là lựa chọn đúng.
- Gửi dữ liệu riêng tư mà không kiểm tra. Trước khi dán dữ liệu khách hàng vào bất kỳ dịch vụ AI nào hoặc đưa nó vào app, hãy kiểm tra điều khoản sử dụng và lưu trữ dữ liệu của nhà cung cấp.
Nên nhờ AI builder của bạn làm gì
Khi LLM đang xây dựng app của bạn:
- “Trước khi thay đổi bất cứ thứ gì, hãy cho tôi biết bạn đã hiểu gì và bạn sẽ làm gì.”
- “Đây là nguyên văn chính sách; hãy dùng đúng từng chữ, đừng tự bịa thêm chi tiết.”
- “Đừng đoán các thông tin như giá hoặc ngày tháng. Để chỗ trống và liệt kê chúng cho tôi.”
Khi bạn muốn một LLM nằm trong app của mình:
- “Thêm một nút [tóm tắt] gọi API của [nhà cung cấp] từ máy chủ. Giữ khóa API trong secret, không bao giờ trong trình duyệt.”
- “Đưa các chính sách của chúng tôi vào prompt để câu trả lời bám sát chúng, và nói ‘tôi không biết’ khi không chắc.”
- “Giới hạn độ dài câu trả lời, và giới hạn số yêu cầu mỗi người dùng có thể gửi trong một ngày.”
- “Ghi lại chi phí của từng yêu cầu để tôi thấy mức sử dụng.”
Để có hướng dẫn từng bước, xem cách thêm tính năng AI vào app.
LLM và Mythex
Agent xây dựng của Mythex chạy trên một LLM. Mọi người đều dùng cùng một agent Standard — không có bộ chọn mô hình — và việc xây dựng sử dụng tín dụng Mythex. Các tính năng AI bên trong app bạn xây dựng là một việc riêng: bạn mang khóa API của riêng mình từ một nhà cung cấp như OpenAI hoặc Anthropic, lưu nó làm secret của dự án, và nhà cung cấp sẽ tính phí mức sử dụng đó trực tiếp với bạn. Công thức trong tài liệu thêm AI vào app của bạn cho thấy prompt cần dùng.
Câu hỏi thường gặp
LLM là viết tắt của gì?
LLM là viết tắt của large language model (mô hình ngôn ngữ lớn): một mô hình AI được huấn luyện trên lượng văn bản rất lớn để hiểu và tạo ra ngôn ngữ. Các mô hình đứng sau ChatGPT, Claude và Gemini đều là LLM.
ChatGPT có phải là LLM không?
ChatGPT là một ứng dụng trò chuyện được xây dựng trên các LLM của OpenAI. LLM là mô hình nền tảng tạo ra văn bản; ứng dụng bổ sung giao diện trò chuyện, tính năng ghi nhớ, công cụ và các lớp an toàn xung quanh nó.
Vì sao LLM lại bịa ra thông tin?
LLM tạo ra những từ tiếp theo có vẻ hợp lý nhất dựa trên các mẫu nó đã học, chứ không tra cứu sự thật trong cơ sở dữ liệu. Khi thiếu thông tin đúng, nó có thể tạo ra văn bản trôi chảy, tự tin nhưng sai, gọi là ảo giác (hallucination). Cung cấp tài liệu nguồn và kiểm tra lại câu trả lời sẽ giảm rủi ro này.
LLM có học từ các cuộc trò chuyện của tôi không?
Mô hình không thay đổi trong lúc trò chuyện; nó chỉ thấy những gì nằm trong cửa sổ ngữ cảnh của nó. Việc các cuộc trò chuyện của bạn có được dùng để huấn luyện các mô hình sau này hay không phụ thuộc vào chính sách của nhà cung cấp và cài đặt của bạn, nên hãy kiểm tra điều khoản của dịch vụ bạn dùng.
Token trong LLM là gì?
Token là một đoạn văn bản mà mô hình đọc và viết — thường là một từ hoặc một phần của từ. Giới hạn ngữ cảnh và giá API được tính bằng token, nên prompt và câu trả lời càng dài thì càng tốn kém.