How are LLMs able to remember conversations?

LLMs can follow a conversation because they remember the context of each user query. Posing refined queries throughout a conversation lets LLMs provide the custom-tailored information or assistance you need. However, the same LLM cannot remember conversations among users. Opening a new chat starts a new instance, causing LLMs to start over. Advances in LLM training may one day let LLMs remember their prior conversations.

How do you improve LLM reasoning?

Breakthroughs such as natural language embedded programs (NLEPs) can help LLMs improve their reasoning while analyzing natural language prompts. NLEPs provide LLMs with extra programming tools and let programmers debug issues quickly. Other routes to improve LLM reasoning focus on the steps LLMs take to complete a task.

What is the chain of thought in LLMs?

Chain of thought in LLMs refers to thinking in steps, much like a person does when answering a question. Programmers help LLMs build this vital skill through reinforcement learning. Reinforcement learning involves providing feedback after each response an LLM provides.

What is the biggest strength of LLMs?

Perhaps the biggest strength of LLMs is that they can discover relationships among information that humans may miss while performing research on the same subject. This advantage has the potential to help users save time, make more accurate predictions, and produce better work. You can learn more about LLMs' strengths by completing an executive education program or a master's in artificial intelligence program.

¿Cómo funcionan los modelos de lenguaje grande (LLMs)?

Escrito por: Thomas Broderick, Editado por: Rebecca Munday

Publicado: 21 de abril de 2025

Crear una cuenta

Desarrollador de software profesional trabajando tarde en la noche escribiendo códigos en una oficina.

Desde que entraron en la conciencia pública a finales de 2022, los modelos de lenguaje grande (LLMs) parecen estar listos para transformar la forma en que las personas trabajan.

Algunos investigadores de las principales universidades proyectan que los LLMs pueden reducir la necesidad de muchos tipos de profesionales, como abogados y tecnólogos de alto nivel. Las constantes noticias sobre los LLMs dejan a muchas personas preguntándose cómo funcionan los LLMs y cómo esta tecnología impactará sus vidas.

A pesar de los impresionantes logros de los LLMs, su funcionamiento se basa en principios de ciencias de la computación que cualquiera puede entender. Descubra el misterio detrás de esta tecnología de rápido crecimiento.

¿Qué es un modelo de lenguaje grande (LLM)?

Los LLMs, al igual que los niños pequeños, aprenden absorbiendo grandes cantidades de información. En lugar de células cerebrales, utilizan redes neuronales artificiales y algoritmos complejos para identificar asociaciones entre muchos datos. Estas asociaciones permiten a los LLMs responder preguntas utilizando lenguaje natural.

A partir de febrero de 2025, los LLMs pueden realizar muchas tareas útiles, como encontrar errores gramaticales o sugerir mejoras a un documento. Sin embargo, a pesar de estos logros, carecen de lo que las personas perciben como conciencia, comprensión o razonamiento.

¿Cómo se entrenan los LLMs?

Aprender cómo funcionan los LLM comienza con entender cómo se entrenan. Los LLM primero analizan una cantidad masiva de datos, como millones de libros digitales, sitios web u otros textos. Este análisis revela patrones y relaciones, incluidos palabras o frases que a menudo aparecen juntas.

El reconocimiento de patrones le da a los LLM la capacidad de predecir qué viene después. Un LLM puede no siempre hacer la predicción correcta, por lo que debe someterse a pruebas rigurosas para identificar y corregir errores. Después del lanzamiento público de un LLM, puede mejorar sus respuestas respondiendo a las preguntas de los usuarios y absorbiendo nueva información.

El aprendizaje profundo permite que los LLM mejoren con el tiempo. Mientras que los sistemas informáticos anteriores dependían únicamente de algoritmos complejos para responder a las preguntas de los usuarios, el aprendizaje profundo utiliza redes neuronales artificiales que se asemejan a las del cerebro humano. Esta diferencia hace que los LLM sean más útiles y adaptables que sus predecesores.

Casos de uso para LLM

Generación y edición de contenido: Los LLM como ChatGPT pueden identificar errores gramaticales, hacer sugerencias de mejora e incluso redactar documentos completos. Esta función puede potencialmente ayudarle a ahorrar tiempo escribiendo correos electrónicos y realizando otras tareas rutinarias.
Generación de código: Los LLM que incluyen MultiPL-E y HumanEval-X pueden algún día escribir código informático en una fracción del tiempo. Esta tecnología también puede ayudar a los programadores a llenar vacíos de conocimiento y aprender nuevas habilidades.
Aplicación de guías de estilo: Los estudiantes y muchos profesionales deben seguir guías de estilo al redactar documentos. Un LLM entrenado en la aplicación de guías de estilo puede detectar algunos errores de estilo y potencialmente ayudarle a mantenerse enfocado en el contenido de su trabajo.
Chatbot: Los chatbots ofrecen a las empresas la capacidad de responder a las preguntas de los clientes sin ponerlos en espera. Otros beneficios pueden incluir la optimización de las plantillas laborales y la reducción de costos generales.
Análisis de sentimiento: El análisis de sentimiento implica analizar el tono de un documento. Las sugerencias y recordatorios de un LLM pueden ayudarle a redactar un mensaje neutral, amigable o autoritario, o a evaluar el tono de un mensaje escrito por otra persona.
Resumen de contenido: Los LLMs pueden ayudarle si no tiene tiempo para leer un informe extenso u otro documento. En su lugar, recibe un resumen condensado de la introducción, las ideas principales y la conclusión de ese documento.

¿Cómo utilizan los LLMs el prompting conversacional?

Usar un LLM implica el prompting conversacional. Al igual que un bibliotecario que puede ayudarle a encontrar información, un LLM necesita orientación para entender cómo puede asistirle mejor. Qué tan bien funcione un LLM para una necesidad específica depende en parte de la longitud y calidad de su prompt.

Con el prompting conversacional, los LLMs analizan el lenguaje sencillo para evaluar sus necesidades. Un LLM puede necesitar hacerle algunas preguntas de seguimiento, dependiendo de la complejidad de su solicitud. Responder a estas preguntas le da al LLM más información sobre qué información debe presentar.

Encontrar la información correcta o recibir la ayuda adecuada puede requerir un poco de ida y vuelta con un LLM, especialmente si le falta experiencia con indicaciones conversacionales.

Frequently asked questions about large language models

¿Cómo pueden los LLMs recordar conversaciones?

Los LLMs pueden seguir una conversación porque recuerdan el contexto de cada consulta del usuario. Plantear consultas refinadas a lo largo de una conversación permite a los LLMs proporcionar la información o asistencia personalizada que necesita.

Sin embargo, el mismo LLM no puede recordar conversaciones entre usuarios. Abrir un nuevo chat inicia una nueva instancia, lo que hace que los LLMs comiencen de nuevo. Los avances en el entrenamiento de LLMs pueden algún día permitir que los LLMs recuerden sus conversaciones anteriores.

¿Cómo mejora usted el razonamiento de los LLMs?

Avances como los programas incrustados en lenguaje natural (NLEPs) pueden ayudar a los LLMs a mejorar su razonamiento mientras analizan indicaciones en lenguaje natural. Los NLEPs proporcionan a los LLMs herramientas de programación adicionales y permiten a los programadores depurar problemas rápidamente.

Otras rutas para mejorar el razonamiento de los LLMs se centran en los pasos que toman los LLMs para completar una tarea.

¿Qué es la cadena de pensamiento en los LLMs?

La cadena de pensamiento en los LLMs se refiere a pensar en pasos, al igual que una persona lo hace al responder una pregunta.

Los programadores ayudan a los LLMs a desarrollar esta habilidad vital mediante el aprendizaje por refuerzo. El aprendizaje por refuerzo implica proporcionar retroalimentación después de cada respuesta que proporciona un LLM.

¿Cuál es la mayor fortaleza de los LLMs?

Quizás la mayor fortaleza de los LLM es que pueden descubrir relaciones entre la información que los humanos pueden pasar por alto al realizar investigaciones sobre el mismo tema. Esta ventaja tiene el potencial de ayudar a los usuarios a ahorrar tiempo, hacer predicciones más precisas y producir un mejor trabajo.

Puede aprender más sobre las fortalezas de los LLM completando un programa de Executive Education o una maestría en inteligencia artificial.