LLM — что это, как работает и откуда берёт факты о бренде

Что такое LLM

LLM — это large language model, большая языковая модель. Программа, которая обучилась на огромном объёме текстов и умеет продолжать любой текст: отвечать на вопрос, пересказывать, переводить, писать код. ChatGPT, Алиса AI, Gemini, GigaChat и DeepSeek — интерфейсы, за которыми стоят такие модели.

Для бизнеса важно одно свойство: эта программа рассказывает про вашу компанию — вам, вашим клиентам и вашим конкурентам. Иногда точно, иногда с ошибками, а иногда не рассказывает вовсе. Разобравшись, откуда она берёт факты, вы поймёте, на что здесь можно влиять, а на что нет.

Определение, на которое можно опереться, даёт глоссарий Яндекс Облака:

Формулировки других вендоров устроены похоже. AWS называет LLM «очень большими моделями глубокого обучения, предварительно обученными на огромных объёмах данных» (AWS), NVIDIA — «алгоритмами глубокого обучения, способными распознавать, обобщать, переводить, предсказывать и генерировать контент, используя очень большие наборы данных» (глоссарий NVIDIA).

Что значит «большая»

Ответ обескураживает: точной границы нет. В определениях вендоров не сказано, с какого числа параметров модель становится большой.

Параметры — внутренние настройки модели, подобранные при обучении; счёт у современных LLM идёт на миллиарды. Но порога «столько-то миллиардов — уже LLM» никто не зафиксировал. Вендоры описывают LLM качественно: очень много данных, глубокое обучение, широкий круг задач.

На практике «большая» означает «обучена на корпусе такого размера, что справляется с задачами, под которые её отдельно не обучали». Скорее свойство, чем цифра в паспорте.

Сам термин пришёл из машинного обучения и закрепился как общее имя целого семейства: LLM-модели различаются размером, языками и лицензией, но устроены по одному принципу. Часть из них закрыта и доступна только через API, часть выложена в открытый доступ — на видимость бренда разница влияет мало, а на стоимость обращения к модели влияет сильно.

Как работает LLM

Механика нужна нам ровно настолько, насколько объясняет поведение модели в разговоре о вашем бренде. Дальше начинается работа инженеров.

Модель предсказывает следующий кусок текста

В основе большинства нынешних LLM лежит архитектура трансформера. Её предложила работа «Attention Is All You Need» — Vaswani и соавторы, 2017 год, arXiv:1706.03762. Идея в том, что модель обрабатывает текст целиком и сама решает, какие его части важнее.

Устроено так: модель раз за разом предсказывает, какой фрагмент должен идти следующим. Она не ищет готовую фразу в базе и не понимает вопрос в человеческом смысле. Она достраивает продолжение, опираясь на статистику языка, которую вобрала при обучении.

Отсюда два следствия, важных для практики:

• ответ генерируется заново каждый раз, а не достаётся из ячейки;
• модель одинаково уверенно строит и верное продолжение, и неверное — механизм тот же.

Что LLM понимает, а что достраивает

Слово «понимает» здесь условное, и путаница с ним стоит компаниям дорогих ошибок. LLM понимает текст в том смысле, что улавливает связи между словами и держит нить разговора. Но проверить утверждение на истинность она не может: у неё нет ни базы фактов, ни механизма сверки.

Отсюда практическое правило работы с LLM: всё, что модель говорит о цифрах, датах и названиях, требует проверки по первоисточнику. Касается и рабочих черновиков, и того, что она рассказывает клиентам о вашей компании.

Токены — единица, которой модель меряет текст

Текст модель видит не буквами и не словами, а токенами — кусками слов и знаками препинания. Глоссарий Яндекс Облака приводит разбор: запрос «Какая погода в Москве?» YandexGPT Pro делит на пять токенов — «Какая», «погода», «в», «Москве», «?». В токенах считают длину запроса и стоимость обращения к модели через API.

Контекстное окно — сколько модель держит перед глазами

Контекстное окно — объём текста, который модель учитывает в одном разговоре: ваш вопрос, предыдущие реплики, подгруженные документы. Всё, что за его пределами, для модели не существует.

Окна выросли за последние годы на порядки: у флагманских моделей счёт идёт на сотни тысяч и миллионы токенов. В карточке GPT-6 Astra указано 1 050 000 токенов (документация OpenAI, проверено 7 сентября 2026 года) — это тысячи страниц текста. Цифры меняются с каждым релизом, поэтому сверяйте их в документации вендора, а не в статьях: у предыдущей модели того же вендора окно было вдвое с лишним меньше.

Как модель обучают

Обучение идёт в несколько этапов, и для владельца бренда важен каждый.

Предобучение. Модель прогоняют через огромный корпус текстов: веб-страницы, книги, код, форумы. Задача на этом этапе одна — раз за разом угадывать пропущенные фрагменты, так модель набирает представление о языке и о мире. Тогда же модель либо запоминает вашу компанию, либо нет.

Дообучение. Дальше модель учат отвечать полезно и безопасно: показывают примеры хороших реплик, оценивают её варианты, поощряют одни формулировки и отбивают другие.

Что происходит потом. Обучение — не непрерывный процесс. Корпус собирают до определённой даты, и после выхода модели её знания не пополняются сами. Дату вендоры публикуют: у GPT-6 Astra в карточке стоит граница знаний 30 апреля 2026 года. Свежие факты приходят другим путём — через поиск, о котором ниже.

Здесь же кроется причина ошибок. Работа OpenAI о галлюцинациях помещает их исток в предобучение, а объясняет их живучесть тем, как модели принято оценивать: принятые процедуры обучения и оценки поощряют догадку вместо честного «не знаю». Виновата, по этой логике, не отдельная стадия обучения, а методика замера.

Из этого следует вывод, который экономит много сил: добавить свою компанию в обученную модель нельзя. Ни правкой сайта, ни обращением в поддержку, ни оплатой. Влиять можно на то, что модель найдёт в момент ответа, — и на то, каким будет корпус следующего поколения моделей, хотя проверить это заранее невозможно.

Оговорка про оплату нужна отдельная, потому что платный канал рядом появился. OpenAI тестирует рекламу в ChatGPT: по объявлению компании от 11 августа 2026 года она доступна в Великобритании, Мексике, Бразилии, Японии и Южной Корее — России в списке нет. Но это именно реклама, а не место в ответе:

Купить попадание в органический ответ по-прежнему нельзя — можно купить блок рядом с ним.

Откуда LLM берёт факты о вашей компании

Ради этого раздела страницу и стоит читать. У модели два источника фактов, и работают они по-разному.

Первый источник: то, что осталось в параметрах после обучения

Модель обучали на большом корпусе текстов, собранных до определённой даты. Всё, что она знает без доступа к интернету, — следы того корпуса в её параметрах.

Отсюда три особенности, с которыми сталкивается любой бренд:

1. Свежего там нет. Обучение закончилось раньше, чем вы сменили позиционирование или запустили новый продукт.
2. Знания размыты. Модель хранит не документы, а обобщения. Процитировать вашу страницу она не может, потому что страницы у неё нет — есть статистический отпечаток текстов, где компания упоминалась.
3. Молодой или редко упоминаемый бренд в этом слое почти отсутствует. Если про компанию писали мало, вытащить оттуда нечего.

Второй источник: то, что модель нашла поиском прямо сейчас

Современные ассистенты обычно не отвечают из одной памяти. Получив вопрос, сервис ищет документы, передаёт найденное модели и просит собрать формулировку на их основе. Механизм носит имя RAG — генерация с опорой на найденное; подробно он разобран в отдельной статье словаря.

Разница между слоями принципиальная:

Работать имеет смысл со вторым слоем. Переучить чужую модель вы не можете, а попасть в набор документов, из которых она собирает ответ, — реальная задача. Как она устроена, разобрано в материале что такое GEO.

Различить слои помогает простая проверка. Задайте ассистенту вопрос о вашей компании и посмотрите, есть ли под текстом ссылки на страницы. Есть — работал поиск, и содержание этих страниц вы контролируете. Нет — скорее всего, модель отвечала из памяти, и там вас ждёт версия компании годичной давности, а то и чужая. Ручаться за это нельзя: справка Яндекса оговаривает, что ссылок может не быть и когда ответ просто не требует обращения к источникам.

Что об этом говорят Google и Яндекс

Обе крупные поисковые системы описали механику публично. Формулируют они по-разному, и разницу стоит видеть.

Справка Яндекс Вебмастера «Как формируются ответы Алисы AI» формулирует прямо:

Там же перечислены критерии отбора: «экспертность; полезность; оригинальность; содержательность». И отдельно сказано, что содержание ответа на один запрос может отличаться день ото дня и даже от часа к часу.

Google формулирует иначе — не через отбор источников, а через требование к странице. В справке «Оптимизация сайта для ИИ-функций» сказано: чтобы контент показывался в кратком пересказе от ИИ и режиме ИИ в формате вспомогательных ссылок, страница должна быть проиндексирована и обеспечивать возможность показа фрагментов в Поиске, «и этого будет достаточно» (справка Google Search Central). Отдельной разметки для ИИ не существует.

Формулировки разные, но вывод из них общий: отдельного рычага для попадания в ответ нейросети никто не даёт. Яндекс прямо говорит, что берёт источники из уже высоко ранжирующихся, Google — что довольно обычных технических требований Поиска.

Почему один вопрос даёт разные ответы

Здесь спотыкается каждый, кто пробует проверить видимость бренда руками. Спросили ChatGPT утром — компания в ответе есть. Спросили вечером — нет.

Причин несколько:

• ответ генерируется заново при каждом обращении, а не берётся готовым;
• при поиске в момент ответа подтягиваются разные документы;
• формулировка вопроса меняет и выборку, и итоговый текст;
• на выдачу влияет персонализация: Яндекс прямо пишет, что на содержание ответов может повлиять персонализация поисковой выдачи.

Про изменчивость Яндекс пишет прямо в справке — не догадка наблюдателей, а описанное поведение сервиса.

Отсюда правило замера: одна проверка не показывает ничего. Видимость меряют серией однотипных запросов, повторяемых регулярно, и считают долю ответов с упоминанием бренда. Методы разобраны в статье про мониторинг упоминаний бренда в нейросетях.

Галлюцинации: почему модель уверенно ошибается

Галлюцинация — ответ, который звучит правдоподобно и при этом неверен. Это не сбой конкретного сервиса, а свойство подхода, признанное самими разработчиками.

OpenAI посвятила причинам отдельную работу — «Почему языковые модели испытывают галлюцинации», опубликованную 5 сентября 2025 года:

Научная версия работы — arXiv:2509.04664.

Яндекс Облако описывает то же явление в разделе «Проблемы LLM» своего глоссария: модели «склонны генерировать фактически неверную, нарушающую логику или несоответствующую контексту информацию», а причину бывает трудно установить — это может быть и неудачный запрос, и данные для обучения, и особенности архитектуры.

Со стороны бренда картина будничная: модель приписывает компании услугу, которой нет, называет неверную цену или путает её с однофамильцем. Ссылки на источник там обычно нет — потому что источника и не было.

Управлять этим напрямую нельзя. Косвенно можно: чем больше в доступных источниках однозначных проверяемых утверждений о компании, тем меньше модели остаётся места для догадок.

Где LLM попадаются маркетологу

Внедрение LLM в бизнес-процессы — отдельная большая тема, и она не про эту страницу. Но с четырьмя сценариями использования LLM маркетолог сталкивается, даже если ничего не внедрял.

• Ответы поисковых систем. Краткий пересказ от ИИ и режим ИИ в Google, Алиса AI в Яндексе — здесь LLM используются поверх обычной поисковой выдачи.
• Ассистенты как самостоятельный канал. Часть аудитории использует ChatGPT или Алису там, где раньше набирала запрос в поисковой строке: где заказать, кого посоветуют, чем отличаются подрядчики.
• Чат-боты на сайтах и в поддержке. Здесь LLM генерирует ответы клиентам от лица компании — и отвечает за них компания, а не вендор модели.
• Рабочие инструменты. Черновики текстов, разбор отзывов, кластеризация запросов: применения LLM в рутине маркетолога уже привычны. Здесь LLM помогают экономить часы, но отвечает за результат человек — использовать LLM для проверяемых фактов без сверки нельзя.

Два первых случая применения LLM и есть предмет GEO: в них модель говорит о вашей компании там, где вы не владеете интерфейсом. В чат-боте на своём сайте вы решаете, какие данные ей дать; в чужом ассистенте — нет. Остальные сценарии к видимости бренда отношения не имеют, хотя используют ту же технологию, и смешивать их не стоит.

Чем LLM отличается от нейросети, ИИ и ChatGPT

Четыре слова, которые в разговоре путают чаще всего.

Смысл различия практический: «нас нет в нейросетях» — фраза без содержания. Уточняйте, в каком сервисе и по каким вопросам вас не видно.

Что из этого следует для бренда

Соберём механику в выводы, применимые к работе.

1. Присутствие в ответе модели — не позиция в поиске. Тут нет десяти строк и нумерации; есть текст, где компания либо упомянута, либо нет.
2. Влиять реально на слой поиска, а не на память модели. Значит работают привычные вещи — индексируемость, разрешённые сниппеты, содержательность страниц — плюс то, что делает текст удобным для извлечения.
3. Извлекаемый фрагмент важнее страницы целиком. Модели используют не документ, а фрагмент: короткие однозначные формулировки, факты с цифрами и датами, ссылки на первоисточники.
4. Замер должен быть регулярным и массовым. Из-за изменчивости ответов разовая проверка не значит ничего.
5. Гарантий не существует. Ни одна система не обещает попадания в органический ответ, и подрядчик, который обещает, обещает не своё.

Эти шаги мы разбираем в практике GEO-продвижения — там же состав работ и метрики.

Частые вопросы

Чем LLM отличается от поисковика? Поисковик находит документы и показывает ссылки. LLM формулирует ответ текстом. Современные ассистенты совмещают оба механизма: сначала поиск, потом формулировка.

Можно ли попасть в память модели, а не только в поиск? Прямого способа нет. Обучающие корпуса формируют вендоры, их состав не публикуется. Косвенно влияет объём качественных упоминаний в открытых источниках — но проверить результат до следующего обучения невозможно.

Что даёт запрет AI-роботам в robots.txt? Он управляет доступом краулеров вендоров к вашему сайту. Разбор, какие роботы существуют и чем оборачивается запрет, — в статье про AI-краулеров.

Нужно ли переписывать весь сайт под LLM? Нет. Требования к источникам совпадают с обычной технической гигиеной поиска — об этом Google и говорит в справке. Отличается работа с формулировками: их делают самодостаточными и проверяемыми.

Как понять, видит ли нас модель сейчас? Задать серию вопросов, где уместно назвать вашу компанию, повторить их в нескольких сервисах и посчитать долю упоминаний. Это и есть базовый замер.

Чего страница не покрывает

Честно о границах. Здесь разобрано, что такое LLM и как из этого следует видимость бренда. За рамками остались темы, которым нужны отдельные материалы и другая экспертиза:

• как обучить или дообучить свою модель — задача разработки, не маркетинга;
• какую модель выбрать для внедрения в компанию — другой продукт и другие критерии;
• устройство трансформера в деталях — механика дана в объёме, нужном для понимания видимости;
• список актуальных моделей с характеристиками — цифры меняются ежемесячно, а словарная страница должна жить дольше.

Если нужно понять, что модели говорят про вашу компанию сегодня, — напишите нам, разберём на конкретных запросах.