LLM-ordlisten: Nøglebegreber og definitioner

Introduktion

Verdenen inden for store sprogmodeller ændrer sig hurtigere end noget andet område inden for teknologi. Hver måned dukker der nye arkitekturer, nye værktøjer, nye former for ræsonnement, nye søgesystemer og nye optimeringsstrategier op – og hver af dem introducerer endnu et lag af terminologi.

For marketingfolk, SEO-eksperter og digitale strateger er udfordringen ikke kun at bruge LLM'er – det er at forstå sproget i den teknologi, der former selve opdagelsen.

Denne ordliste skærer igennem støjen. Den definerer de nøglebegreber, der er vigtige i 2025, forklarer dem i praktiske termer og forbinder dem med AIO, GEO og fremtiden for AI-drevet søgning. Dette er ikke en simpel ordbog – det er et kort over de ideer, der former moderne AI-økosystemer.

Brug den som din grundlæggende reference for alt, der har med LLM'er, indlejringer, tokens, træning, hentning, ræsonnement og optimering at gøre.

A–C: Kernebegreber

Opmærksomhed

Mekanismen inde i en Transformer, der gør det muligt for modellen at fokusere på relevante dele af en sætning, uanset deres position. Det gør det muligt for LLM'er at forstå kontekst, relationer og betydning på tværs af lange sekvenser.

Hvorfor det er vigtigt: Opmærksomhed er rygraden i al moderne LLM-intelligens. Bedre opmærksomhed → bedre ræsonnement → mere nøjagtige citater.

AI-optimering (AIO)

Praksis med at strukturere dit indhold, så AI-systemer kan forstå, hente, verificere og citere det nøjagtigt.

Hvorfor det er vigtigt: AIO er den nye SEO — grundlæggende for synlighed i AI-oversigter, ChatGPT-søgning og Perplexity.

Tilpasning

Processen med at træne modeller til at opføre sig i overensstemmelse med menneskelige intentioner, sikkerhedsstandarder og platformsmål.

Omfatter:

• RLHF

• SFT

• konstitutionel AI

• præferencemodellering

Hvorfor det er vigtigt: Tilpassede modeller leverer mere forudsigelige, nyttige svar — og evaluerer dit indhold mere nøjagtigt.

Autoregressiv model

En model, der genererer output én token ad gangen, hvor hver token er påvirket af de foregående tokens.

Hvorfor det er vigtigt: Dette forklarer, hvorfor klarhed og struktur forbedrer genereringskvaliteten – modellen opbygger betydning sekventielt.

Backpropagation

Træningsalgoritmen, der justerer modelvægte ved at beregne fejlgradienter. Det er sådan, en LLM "lærer".

Bias

Mønstre i modellens output, der er påvirket af skæve eller ubalancerede træningsdata.

Hvorfor det er vigtigt: Bias kan påvirke, hvordan dit brand eller emne repræsenteres eller udelades i AI-genererede svar.

Tankekæde (CoT)

En ræsonnementsteknik, hvor modellen nedbryder problemer trin for trin i stedet for at springe til et endeligt svar.

Hvorfor det er vigtigt: Smartere modeller (GPT-5, Claude 3.5, Gemini 2.0) bruger interne tankekæder til at producere dybere ræsonnement.

Citationer (i AI-søgning)

De kilder, som AI-systemer inkluderer under genererede svar. Svarende til "position nul" for generativ søgning.

Hvorfor det er vigtigt: At blive citeret er den nye måleenhed for synlighed.

Kontekstvindue

Den mængde tekst, som en LLM kan behandle i én interaktion.

Spænder fra:

• 32k (ældre modeller)

• 200k–2M (moderne modeller)

• 10M+ tokens i frontier-arkitekturer

Hvorfor det er vigtigt: Store vinduer gør det muligt for modeller at analysere hele websteder eller dokumenter på én gang – hvilket er afgørende for AIO.

D–H: Mekanismer og modeller

Decoder-Only Transformer

Arkitekturen bag GPT-modeller. Den er specialiseret i generering og ræsonnement.

Indlejring

En matematisk repræsentation af betydning. Ord, sætninger, dokumenter og endda brands omdannes til vektorer.

Hvorfor det er vigtigt: Indlejringer bestemmer, hvordan AI forstår dit indhold – og om dit brand vises i de genererede svar.

Indlejringsrum/vektorrum

Det multidimensionelle "kort", hvor indlejringer findes. Lignende begreber grupperes sammen.

Hvorfor det er vigtigt: Dette er det reelle rangordningssystem for LLM'er.

Enhed

Et stabilt, maskingenkendeligt koncept, såsom:

• Ranktracker

• Søgeordsfinder

• SEO-platform

• ChatGPT

• Google-søgning

Hvorfor det er vigtigt: LLM'er er langt mere afhængige af entitetsrelationer end af søgeordsmatchning.

Few-Shot / Zero-Shot Learning

En models evne til at udføre opgaver med minimale eksempler (few-shot) eller ingen eksempler (zero-shot).

Finjustering

Yderligere træning, der anvendes på en basismodel for at specialisere den til et bestemt domæne eller en bestemt adfærd.

Generativ motoroptimering (GEO)

Optimering specifikt til AI-genererede svar. Fokuserer på at blive en troværdig kilde for LLM-baserede søgesystemer.

GPU / TPU

Specialiserede processorer, der bruges til at træne LLM'er i stor skala.

Hallucination

Når en LLM genererer forkerte, uunderstøttede eller opdigtede oplysninger.

Hvorfor det er vigtigt: Hallucinationer mindskes, når modellerne får bedre træningsdata, bedre indlejringer og stærkere hentning.

I–L: Træning, fortolkning og sprog

Inferens

Processen med at generere output fra en LLM, når træningen er afsluttet.

Instruktionstilpasning

Træning af en model til pålideligt at følge brugerinstruktioner.

Dette gør LLM'er "nyttige".

Videnafskæring

Den dato, efter hvilken modellen ikke har nogen træningsdata. Søgningsforstærkede systemer omgår delvist denne begrænsning.

Viden-graf

En struktureret repræsentation af enheder og deres relationer. Google Search og moderne LLM'er bruger disse grafer til at grundlægge forståelsen.

Stort sprogmodel (LLM)

Et Transformer-baseret neuralt netværk, der er trænet på store datasæt til at ræsonnere, generere og forstå sprog.

LoRA (Low-Rank Adaptation)

En metode til effektiv finjustering af modeller uden at ændre alle parametre.

M–Q: Modeladfærd og systemer

Mixture-of-Experts (MoE)

En arkitektur, hvor flere "ekspert"-neurale delmodeller håndterer forskellige opgaver, med et routing-netværk, der vælger, hvilken ekspert der skal aktiveres.

Hvorfor det er vigtigt: MoE-modeller (GPT-5, Gemini Ultra) er langt mere effektive og kapable i stor skala.

Modeljustering

Se "Tilpasning" — fokuserer på sikkerhed og hensigtsmatchning.

Modelvægte

De numeriske parametre, der læres under træningen. Disse definerer modellens adfærd.

Multimodal model

En model, der accepterer flere typer input:

• tekst

• billeder

• lyd

• video

• PDF-filer

• kode

Hvorfor det er vigtigt: Multimodale LLM'er (GPT-5, Gemini, Claude 3.5) kan fortolke hele websider holistisk.

Naturlig sprogforståelse (NLU)

Modelens evne til at fortolke betydning, kontekst og hensigt.

Neuralt netværk

Et lagdelt system af sammenkoblede noder (neuroner), der bruges til at lære mønstre.

Ontologi

En struktureret repræsentation af begreber og kategorier inden for et domæne.

Parametertælling

Antallet af indlærte vægte i en model.

Hvorfor det er vigtigt: Flere parametre → større repræsentationskapacitet, men ikke altid bedre ydeevne.

Positionskodning

Oplysninger, der tilføjes til tokens, så modellen kender rækkefølgen af ord i en sætning.

Prompt-udvikling

Udformning af input for at frembringe ønskede output fra en LLM.

R–T: Retrieval, Reasoning & Training Dynamics

RAG (Retrieval-Augmented Generation)

Et system, hvor en LLM henter eksterne dokumenter, før den genererer et svar.

Hvorfor det er vigtigt: RAG reducerer hallucinationer drastisk og styrker AI-søgning (ChatGPT Search, Perplexity, Gemini).

Ræsonnementsmotor

Den interne mekanisme, der gør det muligt for en LLM at udføre flerstrenget analyse.

Næste generations LLM'er (GPT-5, Claude 3.5) omfatter:

• tankegang

• værktøjsbrug

• planlægning

• selvrefleksion

Forstærkningslæring fra menneskelig feedback (RLHF)

En træningsproces, hvor mennesker vurderer modelresultater og dermed hjælper med at styre adfærd.

Re-ranking

En hentningsproces, der omordner dokumenter efter kvalitet og relevans.

AI-søgesystemer bruger re-ranking til at udvælge citatkilder.

Semantisk søgning

Søgning baseret på indlejringer frem for nøgleord.

Selvopmærksomhed

En mekanisme, der gør det muligt for modellen at vægte betydningen af forskellige ord i en sætning i forhold til hinanden.

Softmax

En matematisk funktion, der bruges til at omdanne logits til sandsynligheder.

Overvåget finjustering (SFT)

Manuel træning af modellen på udvalgte eksempler på god adfærd.

Token

Den mindste tekstsenhed, som en LLM behandler. Kan være:

• et helt ord

• et delord

• tegnsætning

• et symbol

Tokenisering

Processen med at opdele tekst i tokens.

Transformer

Den neurale arkitektur bag moderne LLM'er.

U–Z: Avancerede koncepter og nye tendenser

Vektordatabase

En database, der er optimeret til lagring og hentning af indlejringer. Anvendes i vid udstrækning i RAG-systemer.

Vektorsimilaritet

Et mål for, hvor tæt to indlejringer er på hinanden i vektorrummet.

Hvorfor det er vigtigt: Valg af citater og semantisk matching afhænger begge af lighed.

Vægtbinding

En teknik, der bruges til at reducere antallet af parametre ved at dele vægte på tværs af lag.

Zero-Shot-generalisering

Modelens evne til korrekt at udføre opgaver, den aldrig specifikt er blevet trænet til.

Zero-Shot-søgning

Når et AI-system henter korrekte dokumenter uden forudgående eksempler.

Hvorfor denne ordliste er vigtig for AIO, SEO og AI Discovery

Skiftet fra søgemaskiner → AI-motorer betyder:

• opdagelse er nu semantisk

• rangering → citat

• nøgleord → enheder

• sidefaktorer → vektorfaktorer

• SEO → AIO/GEO

At forstå disse termer:

• forbedrer AIO-strategien

• styrker enhedsoptimering

• klarlægger, hvordan AI-modeller fortolker dit brand

• hjælper med at diagnosticere AI-hallucinationer

• opbygger bedre indholdsklynger

• vejleder dig i brugen af Ranktracker-værktøjet

• fremtidssikrer din markedsføring

Jo bedre du forstår LLM'ernes sprog, jo bedre forstår du, hvordan du får indsigt i dem.

Denne ordliste er dit referencepunkt – ordbogen for det nye AI-drevne opdagelsesøkosystem.