Large Language Model (LLM)

Wat is een Large Language Model (LLM)?

Een large language model (LLM) is een neuraal netwerk getraind op enorme hoeveelheden tekst om het volgende token in een reeks te voorspellen. Op voldoende schaal produceert dat enkele doel brede vaardigheid om te schrijven, samen te vatten, te redeneren, en code te genereren, en daarom drijven LLM's chatassistenten, coding-agents, en de meeste moderne AI-producten aan. Adoptie weerspiegelt dat bereik: in het Stack Overflow-onderzoek van 2025 zei 84% van de developers AI-tools te gebruiken of van plan te zijn te gebruiken in hun werk, tegenover 76% het jaar ervoor [1].

De belangrijkste punten

• Alles wat een LLM doet is next-token-voorspelling. Chat, code, en redenering zijn allemaal dezelfde operatie: kies het aannemelijkste vervolg, één token tegelijk.
• LLM's zijn stateless. Het model onthoudt niets tussen API-aanroepen; het hele gesprek wordt elke beurt opnieuw verstuurd binnen het contextvenster, en je betaalt elke keer voor die tokens.
• Capaciteit komt in fasen: pretraining bouwt ruwe kennis, dan vormt post-training met menselijke feedback het model tot een bruikbare assistent die instructies volgt.
• Voor engineeringwerk is modelkeuze een kosten-latentie-kwaliteit-driehoek. Frontier models behandelen complexe meerstaps taken; kleinere modellen zijn vaak tien keer goedkoper en prima voor classificatie, extractie, en simpele bewerkingen.

Hoe het werkt

Training begint met pretraining: het model, bijna altijd een transformer-model, leest biljoenen tokens tekst en code en past miljarden interne gewichten aan om beter te worden in raden wat komt. Niets is gelabeld en geen taak is gespecificeerd. Grammatica, feiten, API's, en idiomen worden allemaal geabsorbeerd als statistische structuur omdat ze helpen vervolgen te voorspellen. De schaal blijft klimmen: Stanfords AI Index van 2025 vond dat de rekenkracht gebruikt om opmerkelijke modellen te trainen ongeveer elke vijf maanden verdubbelt, en trainingsdatasets elke acht [2]. Een tweede fase, post-training, gebruikt instructievoorbeelden en menselijke voorkeursfeedback om die ruwe voorspeller om te vormen tot een assistent die vragen beantwoordt, schadelijke verzoeken weigert, en tools aanroept.

Op inferentiemoment is de lus simpel. Je prompt wordt opgesplitst in tokens via tokenisatie, het model berekent een waarschijnlijkheid voor elk token in zijn vocabulaire, er wordt er één gesampled, toegevoegd, en het proces herhaalt tot een stopconditie. Samplinginstellingen zoals temperatuur bepalen hoe avontuurlijk die keuzes zijn, wat waarom dezelfde prompt verschillende outputs kan produceren.

De praktische gevolgen voor engineers volgen direct uit dit ontwerp. Omdat het model alleen aannemelijke tekst voorspelt, kan het vloeiende, zelfverzekerde output produceren die fout is, het faalpatroon bekend als AI-hallucinatie. Omdat het stateless is, moeten agentframeworks beheren wat het model elke beurt ziet, wat de hele discipline van context engineering is. En omdat kosten schalen met verwerkte tokens, vertalen lange transcripten en dikke prompts zich direct in API-uitgave.

Voorbeeld

Een team dat een coding-agent bouwt, routeert werk over twee LLM's. Een frontier model plant de wijziging en schrijft de diff voor een multi-file-refactor, tegen ongeveer de prijs van een kopje koffie per complexe taak. Een klein, snel model behandelt de hoogvolume-klusjes eromheen: commit-berichten schrijven, falende tests labelen, en tooloutput samenvatten voordat het de context van de hoofdagent ingaat. De splitsing verlaagt hun maandelijkse inferentierekening met meer dan de helft zonder de kwaliteit van de uitgeleverde diffs aan te raken, omdat het dure model alleen het werk ziet dat het nodig heeft.

Veelvoorkomende misvattingen

De hardnekkige misvatting is dat een LLM dingen opzoekt in een database van opgeslagen documenten. Dat doet het niet; het bevat zijn trainingsdata niet en kan het niet betrouwbaar citeren. Feiten leven als diffuse patronen in de gewichten, wat waarom een model een algoritme perfect kan uitleggen en dan een aannemelijk ogend citaat verzinnen in hetzelfde antwoord. Wanneer je verifieerbare feiten nodig hebt, koppel je retrieval of tools en beoefen je AI-grounding in plaats van te vertrouwen op herinnering.

FAQ

Waar staat LLM voor, en wat maakt er een "large"? LLM betekent large language model. "Large" verwijst naar parameteraantal, de geleerde gewichten binnen het netwerk, en naar het volume trainingsdata. GPT-3, het model dat het moderne LLM-tijdperk inluidde, werd in 2020 getraind met 175 miljard parameters, tien keer meer dan enig eerder niet-sparse taalmodel [3]. Moderne modellen lopen uiteen van een paar miljard parameters voor on-device-gebruik tot frontier-systemen geschat in de biljoenen.

Is ChatGPT een LLM? ChatGPT is een product gebouwd bovenop LLM's, verpakt met een chatinterface, tools, geheugenfuncties, en veiligheidssystemen. Het onderscheid doet ertoe bij het debuggen van gedrag: veel eigenaardigheden komen van de productlaag, niet het onderliggende model.

Wat is een LLM in eenvoudige termen? Het is een extreem capabele autocomplete. Het las een enorm deel van het internet en leerde elke tekst aannemelijk te vervolgen. Dat blijkt schrijven, coderen, en vragen beantwoorden te dekken, zolang je onthoudt dat aannemelijk en waar verschillende eigenschappen zijn.

Bronnen

1. Stack Overflow. "2025 Developer Survey, AI-sectie: 84% van de developers gebruikt AI-tools of is van plan dat te doen." https://survey.stackoverflow.co/2025/ai. Geraadpleegd augustus 2026.
2. Stanford HAI. "AI Index Report 2025: trainingsrekenkracht verdubbelt ongeveer elke vijf maanden, datasets elke acht." https://hai.stanford.edu/ai-index/2025-ai-index-report. Geraadpleegd augustus 2026.
3. OpenAI. "Language Models are Few-Shot Learners: GPT-3 getraind met 175 miljard parameters." https://arxiv.org/abs/2005.14165. Geraadpleegd augustus 2026.