---
title: "Large language model — बड़े भाषा मॉडल"
source: "https://systems-analysis.info/int/Large_language_model_%E2%80%94_%E0%A4%AC%E0%A4%A1%E0%A4%BC%E0%A5%87_%E0%A4%AD%E0%A4%BE%E0%A4%B7%E0%A4%BE_%E0%A4%AE%E0%A5%89%E0%A4%A1%E0%A4%B2"
wiki: "systems-analysis.info/int"
article: "Large_language_model_—_बड़े_भाषा_मॉडल"
language: "hi"
categories:
  - "Category:Core LLM concepts"
  - "Category:Hindi"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 3798
wiki_created_at: 2026-09-06T23:26:18Z
wiki_modified_at: 2026-09-06T23:26:18Z
downloaded_at: 2026-09-07T22:59:08Z
---

# Large language model — बड़े भाषा मॉडल

**बड़ा भाषा मॉडल** (*large language model*, LLM) — यह Machine Learning मॉडल का एक प्रकार है, जो एक गहरी Neural Network के माध्यम से कार्यान्वित होता है, जिसमें बड़ी संख्या में parameters (सामान्यतः अरबों या उससे अधिक) होते हैं और जिसे बड़े पैमाने पर पाठ्य डेटा पर प्रशिक्षित किया जाता है। इस संदर्भ में «बड़ा» शब्द एक साथ parameters के पैमाने और प्रशिक्षण corpus के आयतन दोनों को संदर्भित करता है, जो आधुनिक प्रणालियों में कई petabyte और खरबों tokens तक पहुँचता है। LLM मॉडलों को मुख्यतः self-/semi-supervised विधि से प्रशिक्षित किया जाता है, जिसमें वे अनुक्रम में अगले token की भविष्यवाणी करते हैं और इस प्रकार भाषा के सांख्यिकीय नियमों को आत्मसात करते हैं। Parameters, डेटा और गणनाई चरणों की वृद्धि से गुणवत्ता में पूर्वानुमेय सुधार होता है, जिसकी पुष्टि *scaling laws* करते हैं।

BERT (2017) और विशेष रूप से GPT-3 (2020) के उद्भव के बाद LLM दृष्टिकोण प्राकृतिक भाषा प्रसंस्करण में प्रभावी हो गया। आधुनिक मॉडल (GPT-4o, Claude 3, Gemini 1.5, LLaMA 3 आदि) बिना किसी विशेष सेटिंग के पाठ और प्रोग्राम कोड लिखने, अनुवाद करने, सारांश बनाने, प्रश्नों का उत्तर देने और तर्क-श्रृंखला बनाने में सक्षम हैं; multimodal संस्करण चित्र, ध्वनि और वीडियो का विश्लेषण करते हैं। व्यावहारिक कार्यों के अनुकूलन के लिए fine-tuning या *prompt engineering*, *in-context learning* का उपयोग किया जाता है। LLM की उपलब्धियों के साथ-साथ वे मूल डेटा के पूर्वाग्रहों और त्रुटियों को भी विरासत में लेते हैं, «hallucination» की प्रवृत्ति रखते हैं और बड़े गणनाई संसाधनों की आवश्यकता होती है, इसलिए आज के शोध व्यवहार संरेखण, corpus फ़िल्टरिंग और ऊर्जा-दक्ष architectures पर केंद्रित हैं।

## आर्किटेक्चर

आधुनिक LLM में लगभग हमेशा **Transformer** (**ट्रांसफॉर्मर**) **आर्किटेक्चर** का उपयोग किया जाता है — यह self-attention तंत्र वाला एक नेटवर्क है। Transformer मॉडल को पहली बार 2017 में Google के डेवलपर्स द्वारा Attention is All You Need लेख में प्रस्तावित किया गया था।

**Transformer** आर्किटेक्चर — यह अनुक्रमों के साथ कार्य करने के लिए एक मूल Neural Network योजना है, जिसमें दो तार्किक मॉड्यूल शामिल हैं — **encoder** (इनपुट को एनकोड करता है) और **decoder** (आउटपुट उत्पन्न करता है)। इनपुट के रूप में एक अनुक्रम लिया जाता है, उसका वेक्टर प्रतिनिधित्व (embedding) बनाया जाता है, positional encoding वेक्टर जोड़ा जाता है, जिसके बाद अनुक्रम में क्रम को ध्यान में रखे बिना तत्वों का समूह encoding घटक (समानांतर प्रसंस्करण) में जाता है, और फिर decoding घटक को इस अनुक्रम का एक भाग और encoding का आउटपुट प्राप्त होता है। परिणामस्वरूप एक नया आउटपुट अनुक्रम प्राप्त होता है।

Transformer का encoding घटक कई समान encoder परतों से बना है; decoding घटक भी इसी प्रकार संरचित है। Transformer स्वयं attention मॉडलों का एक अनुक्रम है, जो वेक्टरों के मूल अनुक्रम को एक नए अनुक्रम में परिवर्तित करता है, जहाँ प्रत्येक तत्व शेष के संदर्भ को ध्यान में रखता है। Encoder इनपुट डेटा के छिपे हुए प्रतिनिधित्व बनाता है, तत्वों के बीच संबंधों की जानकारी संरक्षित करता है। Decoder छिपे हुए प्रतिनिधित्वों के आधार पर आउटपुट tokens के लिए embeddings का नया अनुक्रम बनाता है। फिर इन embeddings के आधार पर भाषा मॉडल का उपयोग करके अंतिम आउटपुट तत्व उत्पन्न किए जाते हैं।

चूँकि Transformer को मूल रूप से Machine Translation जैसी समस्याओं के लिए विकसित किया गया था, इसकी आर्किटेक्चर में **encoder** (इनपुट टेक्स्ट, जैसे मूल वाक्य, को प्रसंस्करण करता है) और **decoder** (आउटपुट, जैसे अनुवाद, उत्पन्न करता है) शामिल हैं। हालाँकि, कई भाषा मॉडलों में केवल decoder भाग का उपयोग किया जाता है, जो autoregressive मोड में कार्य करता है।

Transformer तीन मुख्य configurations में उपयोग किए जाते हैं, जिनमें से प्रत्येक encoder और decoder का अलग तरीके से उपयोग करता है और अपनी समस्याओं के लिए उन्मुख है:

- **Encoder-transformer** (*द्विदिशात्मक*) जानबूझकर छिपाए गए पाठ के टुकड़ों को पुनर्स्थापित करना सीखते हैं, इसलिए वे «समझ» कार्यों के लिए उपयुक्त हैं — वर्गीकरण, तथ्य निष्कर्षण, semantic search।
- **Decoder-transformer** (*autoregressive*) अगले token की भविष्यवाणी के लिए अनुकूलित हैं और उन स्थानों पर उपयोग किए जाते हैं जहाँ streaming आउटपुट की आवश्यकता होती है: संवाद एजेंट, कोड ऑटो-पूर्णता, रचनात्मक पीढ़ी।
- **पूर्ण «encoder + decoder» योजनाएँ** दोनों दृष्टिकोणों को संयुक्त करती हैं: encoder पूरे इनपुट टेक्स्ट का प्रतिनिधित्व बनाता है, और decoder, उस पर आधारित होकर, चरण-दर-चरण परिणाम तैयार करता है। यह configuration Machine Translation, summarization और प्रश्न-उत्तर प्रणालियों के लिए सबसे प्रभावी है।

### टोकनाइज़ेशन

**टोकनाइज़ेशन** — बड़े भाषा मॉडलों में पाठ प्रसंस्करण का एक महत्वपूर्ण प्रारंभिक चरण है। इस चरण में वर्णों की निरंतर स्ट्रिंग को अलग-अलग इकाइयों — tokens में विभाजित किया जाता है। टोकनाइज़ेशन वर्णों के अनुक्रम को संरचित तत्वों के अनुक्रम में परिवर्तित करने का कार्य करती है, जो Neural Network के प्रभावी कार्य को सुनिश्चित करते हैं।

भाषाई दृष्टिकोण से, टोकनाइज़ेशन किसी हद तक भाषा की न्यूनतम इकाइयों को अलग करने की प्रक्रिया से मेल खाती है जिनमें स्वतंत्र अर्थ या कार्यात्मक भार होता है, जैसे शब्द, morpheme या उनके खंड। वहीं, प्रायः token सांख्यिकीय रूप से अक्सर आने वाले वर्णों का अनुक्रम मात्र होता है, इसलिए *सभी* tokens की भाषाई सार्थकता को अधिक महत्व नहीं देना चाहिए। चुनी गई योजना के आधार पर token हो सकता है: पूरा शब्द, उपशब्द, अलग वर्ण, सेवा चिह्न (उदाहरण के लिए, अनुक्रम की शुरुआत और अंत के मार्कर)।

टोकनाइज़ेशन से यह संभव होता है:

- शब्दकोश के आकार को स्वीकार्य सीमा तक सीमित करना;
- दुर्लभ और नए शब्दों को सही तरीके से संसाधित करना;
- टेक्स्ट का संख्यात्मक पहचानकर्ताओं के अनुक्रम पर एकाकी प्रतिबिंबन सुनिश्चित करना।

टेक्स्ट विभाजन के लिए subword एल्गोरिदम का उपयोग किया जाता है, जिनमें से सबसे प्रचलित हैं — **Byte Pair Encoding (BPE)**, **WordPiece** और **UnigramLM**। इनमें से प्रत्येक corpus के सबसे सामान्य खंडों से शब्दकोश बनाता है और किसी भी इनपुट टेक्स्ट को क्रमिक रूप से खंडित करने के लिए उसका उपयोग करता है।

टोकनाइज़ेशन चरण के बाद, प्रत्येक पाठ इकाई — token — को एक संख्यात्मक प्रतिनिधित्व में परिवर्तित किया जाता है जो Neural Network को समझ में आता है। इस प्रक्रिया में कई क्रमिक चरण शामिल हैं:

- *Tokens को पहचानकर्ताओं में परिवर्तित करना*: प्रत्येक token को पहले से बने token शब्दकोश के आधार पर एक अद्वितीय संख्यात्मक सूचकांक से जोड़ा जाता है। पाठ tokens को उनके अद्वितीय संख्यात्मक पहचानकर्ताओं (ID) से प्रतिस्थापित किया जाता है। प्रत्येक ID पहले से बने शब्दकोश में token का क्रमांक है, जो Neural Network को शब्दों के बजाय संख्याओं के साथ काम करने की अनुमति देता है।
- *पहचानकर्ताओं को embeddings में परिवर्तित करना*: प्रत्येक token-ID के लिए निश्चित आयाम का संगत वेक्टर निकाला या गणना किया जाता है — **embedding**। यह बहुआयामी संख्यात्मक प्रतिनिधित्व ID को प्रतिस्थापित करता है और पहले से ही token के अर्थ और संदर्भ गुणों की जानकारी रखता है। प्रसंस्करण की सुविधा के लिए सभी embeddings की समान लंबाई होती है।
- *Positional encodings जोड़ना*: चूँकि Transformer आर्किटेक्चर स्वयं तत्वों के *क्रम* को ध्यान में नहीं रखती, embeddings में **positional encodings** जोड़े जाते हैं, जो अनुक्रम में token की स्थिति की जानकारी प्रदान करते हैं। दूसरे शब्दों में, इसके कारण मॉडल «जानता» है कि वाक्य में कौन सा token पहले, दूसरे, तीसरे आदि स्थान पर है।
- *इनपुट matrices का निर्माण*: आउटपुट में `[длина последовательности × размерность эмбеддинга]` आयाम की एक matrix प्राप्त होती है, जो टेक्स्ट का प्रारंभिक प्रतिनिधित्व है और Neural Network, विशेष रूप से Transformer के self-attention ब्लॉकों को इनपुट के रूप में दी जाती है। इस matrix की प्रत्येक पंक्ति एक token के अनुरूप होती है, और उसमें निहित वेक्टर उसके अर्थपूर्ण मूल्य (embedding) और टेक्स्ट में उसकी स्थिति की जानकारी (positional encoding) दोनों को वहन करता है।

<!-- -->

    Текст → Токены → Идентификаторы → Эмбеддинги + Позиционные кодировки → Вход в модель

### Attention Mechanism - ध्यान तंत्र

**ध्यान तंत्र (attention mechanism)** — Transformer आर्किटेक्चर का एक प्रमुख घटक है, जो अनुक्रम में tokens के बीच *दूरी* की परवाह किए बिना निर्भरताओं को ध्यान में रखने की क्षमता प्रदान करता है। इनपुट टेक्स्ट को वेक्टरों के अनुक्रम में परिवर्तित करने के बाद, यह अनुक्रम Transformer के केंद्रीय तत्व — **attention block** में जाता है।

ध्यान तंत्र Neural Network के लिए एक तरीका है यह निर्धारित करने का कि अनुक्रम के प्रत्येक तत्व को संसाधित करते समय इनपुट डेटा के किन भागों पर अधिक ध्यान देना चाहिए। इसके कारण पाठ के अलग-अलग खंडों के वेक्टर परस्पर संवाद कर सकते हैं, जानकारी से समृद्ध होते हैं और आसपास के संदर्भ को ध्यान में रखते हुए अपने मूल्यों को अद्यतन करते हैं। इस कारण मॉडल को tokens के बीच स्थानीय और दूरस्थ दोनों निर्भरताओं को प्रभावी ढंग से पकड़ने की क्षमता मिलती है, जो जटिल पाठ संरचनाओं की व्याख्या करने की उसकी क्षमता को काफी बढ़ाती है।

प्राकृतिक भाषा में किसी शब्द या अभिव्यक्ति का अर्थ अलग-थलग नहीं होता — यह संदर्भ पर निर्भर करता है, अर्थात् आसपास के अन्य शब्दों और संरचनाओं पर। Neural Networks में टेक्स्ट को वेक्टर प्रतिनिधित्वों — embeddings के माध्यम से एन्कोड किया जाता है, जो tokens के शाब्दिक और वाक्यविन्यास गुणों को संख्यात्मक रूप से दर्शाते हैं। सीधे ध्यान तंत्र (जैसे Transformer में) के बिना, संदर्भ की जानकारी या तो लंबी दूरियों पर खो जाती (जैसे सरल मॉडलों में), या क्रमिक रूप से प्रसारित होती, जो दूरस्थ संबंधों को पकड़ने के लिए कम प्रभावी है। हालाँकि प्राकृतिक भाषा में किसी शब्द या वाक्यगत निर्माण का अर्थ गतिशील होता है, और इसकी व्याख्या संदर्भ के अनुसार अनुकूलित होनी चाहिए। ध्यान तंत्र वेक्टर प्रतिनिधित्वों का contextualization करता है, **जिसका अर्थ है** (या बस **:**):

- प्रत्येक token वाक्य में अन्य tokens के सापेक्ष अपने महत्व का «मूल्यांकन» करता है।
- अद्यतन प्रक्रिया में वेक्टर प्रतिनिधित्व परस्पर जानकारी से समृद्ध होते हैं, जो वाक्यगत निर्भरताओं, semantic भूमिकाओं और व्यावहारिक संदर्भ को दर्शाते हैं।

  
इस जानकारी के आदान-प्रदान के परिणामस्वरूप अद्यतन वेक्टर न केवल *token के स्वयं के अर्थ* को, बल्कि उसके व्याकरणिक संबंधों (syntax), वर्णित स्थिति में उसकी भूमिका (semantics) और संदर्भ में सामान्य अर्थ (pragmatics) को भी एन्कोड करने लगते हैं।

    Входные векторы токенов (с позициями) → Механизм Внимания (Взаимодействие векторов) → Контекстуализированные векторы токенов (Векторы обогащенные информацией о связях с другими токенами)

### Attention Mechanism की तकनीकी कार्यान्वयन

ध्यान तंत्र की आंतरिक संरचना में कई प्रमुख गणनाई चरण और घटक शामिल हैं। प्रत्येक इनपुट वेक्टर के लिए तीन वेक्टर उत्पन्न होते हैं: Query (प्रश्न), Key (कुंजी) और Value (मूल्य)। उनकी परस्पर क्रिया के आधार पर attention weights की गणना की जाती है, जिनका उपयोग फिर अद्यतन, contextualized वेक्टर प्रतिनिधित्व प्राप्त करने के लिए किया जाता है। एक प्रचलित दृष्टिकोण समानांतर जानकारी प्रसंस्करण के लिए Multi-Head Attention आर्किटेक्चर का उपयोग है।

#### Query (प्रश्न), Key (कुंजी), Value (मूल्य)

ध्यान तंत्र की गणना का आधार प्रत्येक इनपुट वेक्टर (जो token के embedding और उसकी positional encoding का योग है) को तीन भिन्न वेक्टर प्रतिनिधित्वों में परिवर्तित करना है: Query (Q), Key (K) और Value (V)।

वैचारिक रूप से ये तीन वेक्टर ध्यान तंत्र में निम्नलिखित भूमिकाएँ निभाते हैं:

- **Query (प्रश्न)**: वर्तमान token के वेक्टर का प्रतिनिधित्व करता है, जो अनुक्रम में प्रासंगिक जानकारी की खोज प्रक्रिया आरंभ करता है। इसे एक «प्रश्न» या «जाँच» के रूप में माना जा सकता है, जिसका उपयोग वर्तमान के सापेक्ष अन्य tokens के महत्व का मूल्यांकन करने के लिए किया जाता है।
- **Key (कुंजी):** एक पहचानकर्ता या «लेबल» की भूमिका निभाता है, जो प्रत्येक token की सामग्री के पहलू का वर्णन करता है। वर्तमान token का Query वेक्टर (Q) अनुक्रम में सभी Key वेक्टरों (K) (अपने स्वयं सहित) से तुलना किया जाता है ताकि उनकी संगतता या प्रासंगिकता की डिग्री निर्धारित की जा सके।
- **Value (मूल्य):** प्रत्येक token से जुड़ी वास्तविक जानकारी या प्रतिनिधित्व को धारण करता है, जो आगे प्रेषित की जाएगी। Queries और Keys की परस्पर क्रिया के आधार पर attention weights की गणना के बाद, ये weights Value वेक्टरों पर लागू होते हैं ताकि अंतिम भारित प्रतिनिधित्व बनाया जा सके, जो इस token के लिए ध्यान तंत्र का आउटपुट है।

## बड़े भाषा मॉडलों का प्रशिक्षण

LLM का प्रशिक्षण मुख्यतः दो चरणों में होता है:

1.  **Pre-training (पूर्व-प्रशिक्षण)** इस चरण में मॉडल को self-supervised learning विधि से बड़े अलेबल किए गए text corpus पर प्रशिक्षित किया जाता है। कार्य अनुक्रम में अगले token की भविष्यवाणी करना (autoregression) या छिपे हुए टुकड़ों को पुनर्स्थापित करना (masked learning) है। Pre-training मॉडल को भाषा के व्यापक सांख्यिकीय नियमों, व्याकरण, विश्व के तथ्यों और तर्क के बुनियादी रूपों को आत्मसात करने की अनुमति देता है।
2.  **Fine-tuning (सूक्ष्म-समायोजन)** Pre-training के बाद मॉडल को विशिष्ट कार्यों के लिए विशेष डेटा पर पुनः प्रशिक्षित किया जाता है, जैसे उत्तर उत्पन्न करना, टेक्स्ट वर्गीकरण या निर्देशों का पालन करना। आधुनिक दृष्टिकोणों में शामिल हैं:
    - लेबल किए गए datasets पर fine-tuning (supervised fine-tuning)।
    - मानव भागीदारी के साथ Reinforcement Learning (RLHF, reinforcement learning from human feedback) गुणवत्ता, सुरक्षा और उपयोगिता के लक्षित मानकों के अनुसार मॉडल के व्यवहार को सुधारने के लिए।

## समस्याएँ और सीमाएँ

प्रभावशाली प्रगति के बावजूद, आधुनिक Large Language Models (LLM) में कई समस्याएँ और सीमाएँ हैं:

  
**I. गणनाई और आर्किटेक्चरल सीमाएँ**

1.  **उच्च गणनाई लागत:** LLM का प्रशिक्षण और संचालन महत्वपूर्ण गणनाई शक्ति, समय और ऊर्जा की आवश्यकता करता है, जिससे उच्च आर्थिक और पर्यावरणीय लागत आती है। इसके अलावा, पीढ़ी की autoregressive प्रकृति (tokens का क्रमिक निर्माण) parallelization को सीमित करती है और non-autoregressive दृष्टिकोणों की तुलना में inference की गति को धीमा करती है।
2.  **Context लंबाई की सीमा:** Transformer आर्किटेक्चर में अनुक्रम की लंबाई से गणनाई लागत और मेमोरी आवश्यकताओं की द्विघात निर्भरता होती है। यह एक निश्चित सीमा (context window) स्थापित करने के लिए बाध्य करता है कि मॉडल एक बार में कितना टेक्स्ट संसाधित कर सकता है, जिससे लंबे दस्तावेजों की कटाई और window से परे जानकारी का नुकसान होता है।

  
**II. पीढ़ी की विश्वसनीयता और सटीकता की समस्याएँ**

1.  **Hallucinations:** तथ्यात्मक रूप से गलत, लेकिन विश्वसनीय लगने वाली जानकारी का निर्माण। यह मॉडल में दुनिया की वास्तविक समझ की कमी, डेटा में सांख्यिकीय नियमों पर निर्भरता और उत्पन्न बयानों की सत्यापन करने में असमर्थता से जुड़ा है।
2.  **त्रुटि संचय (Error Propagation):** वह प्रक्रिया जिसमें पीढ़ी के प्रारंभिक चरणों में की गई त्रुटियाँ बढ़ती हैं और बाद के चरणों में अशुद्धियों का निर्माण करती हैं, टेक्स्ट की समग्र गुणवत्ता और सुसंगतता को कम करती हैं।
3.  **सीमित compositionality:** बहु-चरणीय तार्किक निष्कर्ष या सटीक गणनाओं की आवश्यकता वाले कार्यों में कठिनाइयाँ (उदाहरण के लिए, बहु-अंकीय संख्याओं का गुणन, पहेलियाँ हल करना)। ऐसे कार्यों में मॉडलों की सटीकता जटिलता के बढ़ने के साथ तेजी से गिरती है, autoregressive पीढ़ी की प्रकृति के कारण।
4.  **पुनरावृत्ति:** शब्दों या वाक्यांशों की अत्यधिक पुनरावृत्ति की प्रवृत्ति, जो टेक्स्ट की सूचनात्मकता और पठनीयता को कम करती है। यह प्रशिक्षण और decoding एल्गोरिदम (अगले token के चुनाव) की विशेषताओं से जुड़ी है।
5.  **Reversal Curse:** मॉडल की विपरीत दिशा में ज्ञान को स्वचालित रूप से सामान्यीकृत करने में असमर्थता: «A है B» कथन पर प्रशिक्षित होने के बाद, मॉडल अक्सर «B है A» नहीं निकाल सकता।
6.  **«रचनात्मकता-सटीकता» का समझौता:** विविध, मौलिक उत्तर उत्पन्न करने और तथ्यात्मक सटीकता बनाए रखने के बीच संतुलन की आवश्यकता। एक पहलू को बढ़ाने से अक्सर दूसरे पर नकारात्मक प्रभाव पड़ता है, उदाहरण के लिए, उच्च रचनात्मकता hallucinations में वृद्धि के साथ सहसंबंधित हो सकती है।

**III. इंटरेक्शन और नियंत्रण की समस्याएँ:**

1.  **कम नियंत्रणीयता:** उत्पन्न टेक्स्ट की शैली, स्वर, सामग्री या जटिल निर्देशों के पालन पर सटीक नियंत्रण की कठिनाई। नियंत्रणीयता काफी हद तक इनपुट निर्देशों («prompts») की गुणवत्ता और fine-tuning विधियों पर निर्भर करती है।
2.  **formulations के प्रति संवेदनशीलता:** इनपुट प्रश्न (prompt) में छोटे बदलाव भी काफी भिन्न उत्तर दे सकते हैं, भले ही प्रश्न का semantic संरक्षित रहे। यह स्थिर और पूर्वानुमेय परिणाम प्राप्त करना कठिन बनाता है।

  
**IV. नैतिक और सामाजिक पहलू:**

1.  **पूर्वाग्रह और न्याय की समस्याएँ:** मॉडल प्रशिक्षण डेटा में मौजूद सामाजिक रूढ़िवादिता, पूर्वाग्रह या विषाक्तता को पुनः उत्पन्न और बढ़ा सकते हैं। मॉडलों की निष्पक्षता और सुरक्षा सुनिश्चित करना एक जटिल कार्य है।
2.  **LLM Alignment की समस्या:** एक अधिक सामान्य समस्या जिसमें पिछला बिंदु भी शामिल है। यह मॉडल के व्यवहार को मानवीय मूल्यों, इरादों और नैतिक मानकों के अनुरूप सुनिश्चित करने का कार्य है। इसमें पूर्वाग्रह, hallucinations, हानिकारक सामग्री की पीढ़ी से लड़ना और नियंत्रणीयता बढ़ाना शामिल है।
3.  **दुर्भावनापूर्ण उपयोग के जोखिम:** गलत सूचना, phishing, spam, हानिकारक कोड बनाने और बड़े पैमाने पर फैलाने या convincing fake टेक्स्ट उत्पन्न करने के लिए LLM के उपयोग की संभावना, जो सूचनात्मक और व्यक्तिगत सुरक्षा के लिए खतरा उत्पन्न करती है और समाज में विश्वास को कमजोर करती है।

## संदर्भ:

- «बड़ा भाषा मॉडल» // विकिपीडिया (रूसी संस्करण)
- *Large Language Model* // Wikipedia (English version)
- *Grand Modèle de Langage* // Wikipédia (Version française)
- *Sprachmodell* // Wikipedia (Deutsche version)

<!-- -->

- *Naveed H. और अन्य*. // *A Comprehensive Overview of Large Language Models* // arXiv:2307.06435, 2023

## साहित्य

- Vaswani, A. et al. (2017). *Attention Is All You Need*. arXiv:1706.03762.
- Devlin, J. et al. (2019). *BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding*. arXiv:1810.04805.
- Brown, T. et al. (2020). *Language Models Are Few-Shot Learners*. arXiv:2005.14165.
- Kaplan, J. et al. (2020). *Scaling Laws for Neural Language Models*. arXiv:2001.08361.
- Hoffmann, J. et al. (2022). *Training Compute-Optimal Large Language Models*. arXiv:2203.15556.
- Ouyang, L. et al. (2022). *Training Language Models to Follow Instructions with Human Feedback*. arXiv:2203.02155.
- Bai, Y. et al. (2022). *Constitutional AI: Harmlessness from AI Feedback*. arXiv:2212.08073.
- Bubeck, S. et al. (2023). *Sparks of Artificial General Intelligence: Early Experiments with GPT-4*. arXiv:2303.12712.
- OpenAI. (2023). *GPT-4 Technical Report*. arXiv:2303.08774.
- Touvron, H. et al. (2024). *The Llama 3 Herd of Models*. arXiv:2407.21783.