LLM

LLM (ang. Large Language Model, duży model językowy) to system sztucznej inteligencji wytrenowany na ogromnych zbiorach tekstu, który rozumie polecenia i generuje odpowiedzi w języku naturalnym. Na LLM opierają się chatboty i asystenci AI, m.in. modele GPT (OpenAI, w aplikacji ChatGPT), Claude (Anthropic), Gemini (Google) i Llama (Meta).

Dla inwestora najważniejsze jest jedno: LLM nie jest bazą danych, tylko modelem przewidującym tekst. Potrafi znakomicie streszczać i porządkować informacje, ale nie „wie” w sensie sprawdzania faktów.

Jak działa

Współczesne LLM opierają się na architekturze Transformer z 2017 roku i mechanizmie uwagi (self-attention), który pozwala analizować zależności między wszystkimi fragmentami tekstu jednocześnie.

• Tokeny. Tekst jest dzielony na tokeny – słowa lub ich fragmenty. W języku angielskim token to średnio około trzech czwartych słowa, w polskim zwykle mniej, bo odmiana rozbija słowa na więcej części.
• Reprezentacja wektorowa. Każdy token zamienia się w wektor liczb (embedding), który koduje jego znaczenie i kontekst.
• Przewidywanie kolejnego tokena. Model oblicza prawdopodobieństwo następnego tokena na podstawie wszystkich poprzednich: P(w_n | w₁, w₂, …, w_n−1). Wybiera token, dopisuje go i powtarza krok aż do końca odpowiedzi.

Jak powstaje model

1. Trening wstępny (pre-training) – model uczy się przewidywać kolejne tokeny na ogromnym zbiorze tekstów. Tu nabiera wiedzy o języku i świecie.
2. Dostrajanie (fine-tuning) – uczenie na mniejszych, starannie dobranych przykładach, np. dialogach i poleceniach.
3. Uczenie z informacją zwrotną – m.in. RLHF (ocena odpowiedzi przez ludzi) lub metody, w których model ocenia odpowiedzi według spisanych zasad. Celem jest, by odpowiedzi były pomocne i bezpieczne.

Gotowy model generuje odpowiedzi w procesie nazywanym inferencją. Każde zapytanie kosztuje moc obliczeniową, dlatego dostawcy rozliczają API za liczbę tokenów.

Okno kontekstu

Okno kontekstu to maksymalna liczba tokenów, którą model przetwarza naraz: Twoje pytanie, wklejone dokumenty, historia rozmowy i odpowiedź. Czołowe modele w 2026 roku obsługują okna rzędu setek tysięcy do miliona tokenów. Duże okno nie gwarantuje jednak, że model równie uważnie „przeczyta” każdą stronę – szczegóły ze środka długiego dokumentu bywają pomijane.

Przykład: raport roczny w oknie kontekstu

Załóżmy, że wklejasz polski raport roczny spółki: 120 stron po około 500 słów, czyli 60 000 słów. Przyjmij orientacyjnie 1,8 tokena na polskie słowo. Stawki są umowne: 3 USD za milion tokenów wejściowych i 15 USD za milion wyjściowych.

Pozycja	Tokeny	Koszt
Raport na wejściu	108 000	0,324 USD
Streszczenie na wyjściu	2 000	0,030 USD
Razem	110 000	0,354 USD

Raport zmieści się w oknie większości nowych modeli, a koszt jednego zapytania przez API jest niski. Problem leży gdzie indziej: każdą liczbę ze streszczenia musisz porównać z tabelą w raporcie, bo model może przestawić lata, jednostki (tys. zł i mln zł) albo dane skonsolidowane z jednostkowymi.

Ograniczenia

• Halucynacje – pewnie brzmiące, ale nieprawdziwe odpowiedzi, szczególnie przy liczbach, datach i cytatach.
• Data odcięcia wiedzy – bez dostępu do wyszukiwania lub mechanizmu RAG (Retrieval-Augmented Generation) model nie zna późniejszych zdarzeń.
• Słaba arytmetyka – dłuższe obliczenia lepiej zlecić narzędziu lub arkuszowi.
• Wrażliwość na sformułowanie pytania – sugestia w pytaniu przesuwa odpowiedź.
• Koszty i dostępność – dostawcy zmieniają modele i cenniki, starsze wersje są wycofywane.

Zastosowania w analizie rynku

• Streszczanie raportów, komunikatów ESPI i transkrypcji konferencji wynikowych.
• Porównywanie zmian między kolejnymi wersjami dokumentów, np. czynników ryzyka w prospekcie.
• Klasyfikacja wydźwięku wiadomości (sentyment) na dużej liczbie nagłówków.
• Pisanie kodu do analizy danych i backtestów.
• Szukanie kontrargumentów wobec własnej tezy inwestycyjnej.

Najczęstsze błędy

• Traktowanie odpowiedzi modelu jak źródła danych.
• Wklejanie poufnych dokumentów do usług, które mogą używać ich do treningu.
• Budowanie strategii na sygnałach „z AI” bez backtestu i kosztów transakcyjnych.
• Zakładanie, że większy model zawsze daje trafniejsze prognozy rynkowe.

Perspektywa tradera

LLM przyspiesza pracę z informacją, ale nie daje przewagi w przewidywaniu cen – te same modele mają wszyscy. Używaj go do zadań, w których łatwo sprawdzić wynik: streszczenie, lista zmian, szkic kodu. Decyzja o pozycji, jej wielkość i stop wynikają z Twojego planu, a nie z odpowiedzi modelu. Jeśli podłączasz LLM do automatyzacji, ogranicz mu uprawnienia i ustaw twarde limity ryzyka poza modelem.

Najczęstsze pytania

Czym LLM różni się od ChatGPT?

LLM to rodzaj modelu. ChatGPT to aplikacja zbudowana na konkretnych modelach LLM z rodziny GPT.

Co to jest token?

Jednostka tekstu, na której pracuje model – słowo lub jego fragment. Od liczby tokenów zależą limit okna kontekstu i koszt zapytania.

Dlaczego LLM halucynuje?

Bo generuje najbardziej prawdopodobny ciąg tokenów, a nie sprawdza faktów. Gdy brakuje mu wiedzy, i tak tworzy wiarygodnie brzmiącą odpowiedź.

Czy LLM może przewidzieć kurs akcji?

Nie w sposób, który dawałby trwałą przewagę. Może pomóc w analizie informacji, ale nie zastąpi testowanej strategii i zarządzania ryzykiem.

Co to jest RAG?

Technika, w której model przed odpowiedzią pobiera fragmenty z zewnętrznych dokumentów lub bazy wiedzy. Ogranicza halucynacje, ale ich nie eliminuje.

Tekst ma charakter edukacyjny i nie stanowi rekomendacji inwestycyjnej.