Wat is een LLM eigenlijk?

Na deze les weet je: wat een taalmodel doet als het antwoordt, hoe het getraind wordt, waarom antwoorden variëren, en wat “denkende” modellen anders doen.

Het volgende stukje tekst voorspellen

Een LLM doet in de kern één ding: voorspellen welk stukje tekst er waarschijnlijk volgt. Het berekent voor elk mogelijk volgend stukje een kans, kiest er een, plakt dat erachter en begint opnieuw.

Probeer het zelf: schuif met de temperatuur en klik een paar keer op de knop.

Na een lange dag zit de kat lekker op de ___

• bank0%
• vensterbank0%
• mat0%
• grond0%
• computer0%
• maan0%

Temperatuur 1.0voorspelbaarcreatiefGenereer volgend woord

Illustratie met verzonnen kansen. Echte modellen kiezen uit tienduizenden tokens tegelijk.

• Lage temperatuur: bijna altijd het meest waarschijnlijke woord. Voorspelbaar en consistent.
• Hoge temperatuur: onwaarschijnlijke woorden krijgen meer kans. Creatiever, maar rommeliger.

Dit toeval is een belangrijke reden dat je op dezelfde vraag niet altijd hetzelfde antwoord krijgt. In de chat-apps stel je de temperatuur niet zelf in; ontwikkelaars kunnen dat via de API.

Pro-tip

Een model werkt met tokens: soms een heel woord, soms een stukje van een woord. Daarover gaat de volgende les.

Hoe een model zo slim wordt: twee fases

flowchart LR
  A["📚 Pre-training<br/>enorme hoeveelheid tekst lezen<br/>en het volgende stukje leren voorspellen"] --> B["🧑‍🏫 Post-training<br/>leren een behulpzame assistent te zijn<br/>(voorbeelden + menselijke feedback)"] --> C["💬 De assistent<br/>die jij gebruikt"]

1. Pre-training. Het model leert uit een gigantische hoeveelheid tekst het volgende stukje te voorspellen en pikt daarbij grammatica, feiten, schrijfstijlen en redeneerpatronen op. Het resultaat is een basismodel: dat is volgens Anthropic “niet van nature goed in vragen beantwoorden of instructies volgen”, het vult vooral tekst aan.

2. Post-training. Mensen schrijven voorbeeldgesprekken en beoordelen welk antwoord van het model beter is; het model leert die antwoorden te verkiezen. Dat heet RLHF (reinforcement learning from human feedback). Daarnaast wordt veel getraind met reinforcement learning op controleerbare taken zoals wiskunde en code, zodat modellen beter leren redeneren.

Pro-tip

Ezelsbruggetje: pre-training is een bibliotheek uitlezen (veel kennis, geen manieren), post-training is stage lopen als assistent (toon, vorm, instructies volgen).

“Gewoon autocomplete”? Niet helemaal

Er komt telkens één stukje tekst uit, maar wat er daarvoor binnenin gebeurt is rijker. Onderzoekers van Anthropic zagen in 2025 dat een model bij een rijmend gedicht het rijmwoord al vooraf koos en de zin daarnaartoe schreef. Ze verwachtten dat het niet vooruit zou plannen, “en ontdekten dat het dat wel deed”.

Een LLM is dus geen mens, maar ook geen simpele woordvoorspeller.

Denkende modellen

Sinds eind 2024 bestaan er redeneermodellen (ook wel thinking of reasoning). Die schrijven eerst een interne kladversie in denktokens voordat ze antwoorden. Dat helpt bij lastige vragen: plannen, alternatieven afwegen, zichzelf controleren.

• Denken kost tijd en geld. Die extra tokens tellen mee, en via de API betaal je ze als output.
• Wat je ziet is niet altijd wat er gebeurde. Onderzoek van Anthropic laat zien dat de getoonde redenering niet altijd eerlijk weergeeft hoe het model echt tot zijn antwoord kwam.

Wat een model niet uit zichzelf heeft

Het model zelf is na de training bevroren. Aanvullingen regelt de app, niet het model:

Functie	Wat het is
Kennisgrens	Het model weet niets van wat er na zijn trainingsdata gebeurde. Bij de nieuwste Claude-modellen ligt die grens volgens Anthropic in juni 2026 (stand 1 november 2026).
Zoeken op internet	Het model vraagt om een zoekopdracht, de app voert die uit en zet de resultaten als tekst in het gesprek.
Geheugen	De app bewaart notities over jou en stuurt die mee in nieuwe gesprekken. Het model zelf leert niets van jouw chat.

Security

• Niet leren betekent niet ongebruikt. Veel aanbieders mogen je gesprekken gebruiken om toekomstige modellen te trainen, soms standaard. Zet het uit via de privacy-instellingen.
• Geheugen is opgeslagen data. Kijk in de geheugeninstellingen van je app wat er over je bewaard wordt en wis wat te veel is.
• Een duim is ook data. Bij Claude bewaart feedback het hele gesprek tot 5 jaar, ook met training uit. Geef bij gevoelige chats geen duim omhoog of omlaag.

Een verse chat is een ander gesprek

Slecht antwoord? Ga niet eindeloos bijsturen in dezelfde chat: het slechte antwoord blijft meetellen. Open een nieuwe chat met een betere eerste vraag waarin je verwerkt wat er misging.

Wil je verder kijken?

• 3Blue1Brown, “Large Language Models explained briefly”: acht minuten, sterk visueel.
• Andrej Karpathy, “Deep Dive into LLMs like ChatGPT”: drieënhalf uur, een veelaangeraden, complete uitleg.

Checklist

0/4

• Ik weet dat een LLM telkens het volgende stukje tekst voorspelt
• Ik kan pre-training en post-training in eigen woorden uitleggen
• Ik snap waarom ik niet altijd hetzelfde antwoord krijg
• Ik weet dat zoeken en geheugen functies van de app zijn, niet van het model

Je voortgang wordt alleen in deze browser bewaard.

Test jezelf

1. 1Wat leert een model vooral tijdens pre-training?

   Netjes en behulpzaam antwoorden gevenHet volgende stukje tekst voorspellen, uit heel veel tekstOp internet zoeken

2. 2Je stelt twee keer dezelfde vraag en krijgt twee verschillende antwoorden. Waarom?

   Het model is kapotHet model kiest het volgende stukje met een beetje toeval (temperatuur)Iemand anders heeft het antwoord aangepast

3. 3Een chatbot weet niets van een gebeurtenis van vorige week. Wat is de meest waarschijnlijke reden?

   De gebeurtenis valt na zijn kennisgrens, en zoeken stond uit of werd niet gebruiktHij wil het niet zeggenHij heeft het vergeten

Volgende les: tokens en het contextvenster, of: hoeveel tekst een AI tegelijk kan “zien”.