Large Language Model

Ein Large Language Model, kurz LLM (englisch, teilweise übertragen großes Sprachmodell), ist die Software-technische Realisierung eines mathematischen Sprachmodells, das sich durch seine Fähigkeit zur Textgenerierung auszeichnet. Es handelt sich um ein sogenanntes computerlinguistisches Wahrscheinlichkeitsmodell, das statistische Wort- und Satzfolge-Beziehungen aus einer Vielzahl von Textdokumenten durch einen rechenintensiven Trainingsprozess erlernt hat und diese Fähigkeiten seinem Benutzer oder in einer anderen Anwendung zur Verfügung stellt.

Der Trainingsprozess der Modelle lässt sich dabei grob in drei Phasen unterteilen: 1. Datenerfassung, 2. Modelltraining und 3. Feinabstimmung. Anschließend wird das trainierte Modell mittels Inferenz abgefragt.

LLMs sind eine Reihe moderner Techniken (Algorithmen und andere Softwareartefakte) im Bereich künstlicher Intelligenz (KI), die seit etwa Mitte der 2010er Jahre existieren und vorwiegend über Cloud Computing bereitgestellt werden. Einige Softwarelösungen erlauben jedoch auch die lokale Ausführung von LLM-Modellen. LLMs sind auch als Foundation Models, also Grundmodelle, einer komplexeren KI-Softwarearchitektur bekannt. Sie sind prägendes Merkmal der KI-Ära. LLMs sind Teil des Deep Learning (DL).

1. ↑ Jay Alammar, Maarten Grootendorst: Hands-On Large Language Models: Langauge Understanding and Generation. O'Reilly Media, Sebastopol, CA 2024, ISBN 978-1-09-815096-9 (llm-book.com [abgerufen am 3. April 2026]). 
2. 1 2 Ibomoiye Domor Mienye et al.: Large language models: an overview of foundational architectures, recent trends, and a new taxonomy. In: Discover Applied Sciences. Band 7, Nr. 9, 2. September 2025, ISSN 3004-9261, doi:10.1007/s42452-025-07668-w (englisch, springer.com [abgerufen am 3. April 2026]). 
3. ↑ Patricia Kelbert, Dr Julien Siebert, Lisa Jöckel: Was sind Large Language Models? Und was ist bei der Nutzung von KI-Sprachmodellen zu beachten? - Blog des Fraunhofer IESE. In: Fraunhofer IESE. 12. Dezember 2023, abgerufen am 8. November 2025. 
4. ↑ Rishi Bommasani et al.: Considerations for governing open foundation models. In: Science. Band 386, Nr. 6718, 11. Oktober 2024, ISSN 0036-8075, S. 151–153, doi:10.1126/science.adp1848 (englisch, science.org [abgerufen am 1. April 2026]).