LLM (Large Language Model) – Definition & Bedeutung
Ein LLM (Large Language Model) ist ein großes Sprachmodell, das auf riesigen Textmengen trainiert wurde und natürliche Sprache versteht und erzeugt. Es ist die Technik hinter ChatGPT, Claude oder Gemini.
Was ist ein LLM?
Ein Large Language Model (LLM), auf Deutsch großes Sprachmodell, ist ein KI-Modell, das auf sehr großen Textmengen trainiert wurde, um Sprache zu verstehen und zu erzeugen. Im Kern berechnet es, welcher Wortteil als Nächstes am wahrscheinlichsten passt, und erzeugt daraus zusammenhängende Texte, Zusammenfassungen, Übersetzungen oder Code. Bekannte LLMs sind die GPT-Modelle von OpenAI, Claude von Anthropic, Gemini von Google, die Modelle von Mistral sowie offene Modelle wie Llama, Gemma oder Qwen.
Wichtig zu verstehen: Ein LLM „weiß“ nichts im menschlichen Sinn, es erkennt Muster in Sprache. Daraus folgen seine Stärken und seine Grenzen.
Wie funktioniert ein LLM?
Technisch beruhen heutige LLMs auf der Transformer-Architektur. Text wird in Token zerlegt, kleine Wortbausteine, und das Modell lernt im Training aus Milliarden Beispielen, welche Token in welchem Zusammenhang aufeinander folgen. Die Größe eines Modells wird in Parametern angegeben, bei großen Modellen sind es viele Milliarden.
Nach dem Grundtraining werden Modelle mit Beispielen und menschlichem Feedback darauf trainiert, Anweisungen zu folgen und hilfreich zu antworten. Wie viel Text ein Modell auf einmal berücksichtigen kann, bestimmt das Kontextfenster. Viele aktuelle Modelle sind zudem multimodal und verarbeiten neben Text auch Bilder, teils Audio und Video.
Stärken und Grenzen
- Stärken: Texte erstellen und umformulieren, klassifizieren, zusammenfassen, übersetzen, Daten aus Dokumenten extrahieren, Code schreiben und Antworten entwerfen.
- Halluzinationen: LLMs erfinden gelegentlich plausibel klingende, aber falsche Fakten, siehe KI-Halluzination.
- Wissensstand: Das Modell kennt nur seine Trainingsdaten, aktuelles oder firmeninternes Wissen fehlt ohne zusätzliche Anbindung.
- Nachvollziehbarkeit: Warum ein Modell eine Antwort gibt, lässt sich nicht direkt ablesen. Deshalb braucht es Quellenangaben, Tests und bei wichtigen Entscheidungen einen Menschen.
LLMs im Unternehmen einsetzen
Für den produktiven Einsatz werden LLMs fast immer mit weiteren Bausteinen kombiniert: RAG verankert Antworten in eigenen Dokumenten, gutes Prompt Engineering steuert Format und Qualität, Leitplanken begrenzen, was ein Modell tun darf, und Fine-Tuning passt es an Stil oder Fachsprache an. Als KI-Agent kann ein LLM zusätzlich Werkzeuge nutzen und mehrere Schritte selbst ausführen.
Bei der Wahl des Modells zählen Qualität für die konkrete Aufgabe, Kosten, Geschwindigkeit, Datenschutz und Lizenz. Für sensible Daten lassen sich offene Modelle auch selbst betreiben, siehe On-Premise-KI. Einen Überblick gibt unser Vergleich der KI-Modelle; wie wir LLMs in Anwendungen einbinden, zeigt unsere Seite zur KI-Entwicklung.
Häufige Fragen
Was ist der Unterschied zwischen LLM und ChatGPT?
ChatGPT ist eine Anwendung von OpenAI, ein LLM ist das Modell dahinter. ChatGPT nutzt GPT-Modelle und ergänzt sie um Oberfläche, Werkzeuge und Speicherfunktionen.
Welche LLMs gibt es?
Die bekanntesten kommerziellen Modelle stammen von OpenAI, Anthropic, Google und Mistral. Dazu kommen offene Modelle wie Llama, Gemma, Qwen, DeepSeek oder gpt-oss, die sich selbst betreiben lassen. Welche passt, hängt von Aufgabe, Datenschutz und Kosten ab.
Kann man ein LLM selbst betreiben?
Ja, mit offenen Modellen. Sie laufen auf eigenen oder gemieteten GPU-Servern, sodass keine Daten an externe Anbieter gehen. Wichtig ist, vorab die Lizenz des Modells zu prüfen.
Sind LLMs DSGVO-konform nutzbar?
Das lässt sich umsetzen, etwa über Business-Angebote mit Auftragsverarbeitung und Verarbeitung in der EU oder über selbst betriebene Modelle. Die Verantwortung für den Einsatz liegt beim Unternehmen.
Bereit, gemeinsam Großes zu schaffen?
Lass uns unverbindlich über dein Projekt sprechen.