Введение в LLM
Эта страница предоставляет понятное руководство по большим языковым моделям (LLM), от основ до приложений для любителей ИИ.
Глава 14 — Смещение, справедливость и ответственный ИИ
Глава 14 — Смещение, справедливость и ответственный ИИ Четырнадцатый пост поглавного разбора LLM Primer VII: AI Security. Глава, обращающаяся с ответственным ИИ…
2026-05-23
Глава 13 — Регуляторный ландшафт
Глава 13 — Регуляторный ландшафт Тринадцатый пост поглавного разбора LLM Primer VII: AI Security. Глава, отображающая плюральный, всё ещё консолидирующийся регу…
2026-05-22
Глава 9 — Целостность модели и риски цепочки поставок
Глава 9 — Целостность модели и риски цепочки поставок Девятый пост поглавного разбора LLM Primer VII: AI Security. Глава, обращающаяся с артефактом модели как с…
2026-05-18
Глава 7 — Галлюцинации и надёжность
Глава 7 — Галлюцинации и надёжность Седьмой пост поглавного разбора LLM Primer VII: AI Security. Глава, обращающаяся с надёжностью как со свойством безопасности…
2026-05-16
Глава 5 — Демистификация квантизации
Глава 5 — Демистификация квантизации Пятый пост поглавного разбора LLM Primer VI: Scaling AI Systems. Глава, объясняющая, почему 70B-модель выживает 4-битную кв…
2026-04-27Глава 9 — Управление бюджетом внимания
Девятый пост поглавного разбора LLM Primer IV. Context rot, обрыв lost-in-the-middle, tool-loadout rot и три архитектурных ответа — MCP, RAG, дообучение — на вопрос, где на самом деле живёт недостающее знание модели.
2026-04-07Глава 1 — Кризис интеграций ИИ и подъём агентной архитектуры
Первый пост поглавного разбора LLM Primer IV. Почему монолитные агенты распадаются по мере роста системных промптов, проблема интеграций N на M, скрытая под этим, и переход от prompt engineering к context engineering, под который и был построен MCP.
2026-03-30Глава 3 — Продвинутые фреймворки чанкинга
Третий пост разбора LLM Primer III. Спектр чанкинга от фиксированного размера до учёта структуры, миф об overlap, обрыв контекста, тихо разрушающий поиск, и техники contextual retrieval и late chunking, переписавшие фронтир.
2026-03-20Глава 2 — Интеллектуальный парсинг документов
Второй пост разбора LLM Primer III. Почему PDF — это не текстовый файл, что на самом деле сохраняют парсеры с учётом макета, текущий ландшафт инструментов (LlamaParse, Docling, Unstructured, Marker-PDF, Firecrawl, DeepSeek-OCR) и мультимодальный трек, ищущий по изображениям страниц напрямую.
2026-03-19Глава 11 — Оценка, калибровка и вывод
Одиннадцатый пост разбора LLM Primer II: Language Models Through Mathematics по главам. Глава, в которой мы задаёмся вопросом: как вообще измерить машину, способную сказать что угодно — и обнаруживаем, что уверенная модель часто оказывается плохо откалиброванной.
2026-03-13Глава 11 — Меньше модели, умнее модели
Одиннадцатый пост разбора LLM Primer I по главам. Как уменьшить большие модели до размеров реальной эксплуатации — дистилляция, квантизация, MoE — и новая секция §11.6 издания 2026 года о моделях рассуждения.
2026-02-28Глава 9 — RAG: сшиваем свежую информацию в контекст
Девятый пост разбора LLM Primer I по главам. Что на самом деле делает RAG (Retrieval-Augmented Generation), как он подпирает чувство времени и фактическую точность модели, и где начинается разница между хорошим и плохим RAG.
2026-02-26Глава 8 — Когда одной модели мало: инструменты и агенты
Восьмой пост разбора LLM Primer I по главам. Территория, где модель обретает руки — использование инструментов, вызов функций, агенты — и новый §8.6 издания 2026 года с паттернами агентов: ReAct, планировщик-исполнитель, рефлексия.
2026-02-25Глава 5 — Ещё остаются мелкие изъяны
Пятый пост разбора LLM Primer I по главам. Почему галлюцинации, отсутствие чувства времени, проблемы с вычислениями и колебания согласованности — не баги, а свойства одного и того же механизма предсказания следующего токена.
2026-02-22Глава 1 — Что такое, в сущности, Большая Языковая Модель?
Первый пост разбора LLM Primer I по главам. Что на самом деле означают слова «большая», «языковая» и «модель», как мы прошли путь от систем на правилах до нейросетей, и три мифа, от которых стоит избавиться сразу.
2026-02-18