LLM-ordlisten: Sentrale begreper og definisjoner

Introduksjon

Verden av store språkmodeller endrer seg raskere enn noe annet teknologiområde. Hver måned dukker det opp nye arkitekturer, nye verktøy, nye former for resonnement, nye søkesystemer og nye optimaliseringsstrategier – og hver av dem introduserer enda et lag med terminologi.

For markedsførere, SEO-eksperter og digitale strateger er utfordringen ikke bare å bruke LLM-er – det er å forstå språket til teknologien som former oppdagelsen selv.

Denne ordlisten kutter gjennom støyen. Den definerer de viktigste begrepene som vil være relevante i 2025, forklarer dem i praktiske termer og knytter dem til AIO, GEO og fremtiden for AI-drevet søk. Dette er ikke en enkel ordbok – det er et kart over ideene som former moderne AI-økosystemer.

Bruk den som grunnleggende referanse for alt som har med LLM-er, innbygginger, tokens, opplæring, gjenfinning, resonnement og optimalisering å gjøre.

A–C: Kjernebegreper

Oppmerksomhet

Mekanismen inne i en Transformer som gjør at modellen kan fokusere på relevante deler av en setning, uavhengig av deres posisjon. Den gjør det mulig for LLM-er å forstå kontekst, relasjoner og betydning på tvers av lange sekvenser.

Hvorfor det er viktig: Oppmerksomhet er ryggraden i all moderne LLM-intelligens. Bedre oppmerksomhet → bedre resonnement → mer nøyaktige sitater.

AI-optimalisering (AIO)

Praksisen med å strukturere innholdet ditt slik at AI-systemer kan forstå, hente, verifisere og sitere det nøyaktig.

Hvorfor det er viktig: AIO er den nye SEO – grunnleggende for synlighet i AI-oversikter, ChatGPT-søk og Perplexity.

Justering

Prosessen med å trene modeller til å oppføre seg i samsvar med menneskelige intensjoner, sikkerhetsstandarder og plattformmål.

Inkluderer:

• RLHF

• SFT

• konstitusjonell AI

• preferansemodellering

Hvorfor det er viktig: Tilpassede modeller gir mer forutsigbare, nyttige svar – og evaluerer innholdet ditt mer nøyaktig.

Autoregressiv modell

En modell som genererer utdata ett token om gangen, hvor hvert token påvirkes av tidligere token.

Hvorfor det er viktig: Dette forklarer hvorfor klarhet og struktur forbedrer genereringskvaliteten – modellen bygger mening sekvensielt.

Backpropagation

Treningsalgoritmen som justerer modellvekter ved å beregne feilgradienter. Det er slik en LLM «lærer».

Skjevhet

Mønstre i modellens utdata påvirket av skjev eller ubalansert treningsdata.

Hvorfor det er viktig: Skjevhet kan påvirke hvordan merkevaren eller temaet ditt blir representert eller utelatt i AI-genererte svar.

Tankekjede (CoT)

En resonnementsteknikk hvor modellen bryter ned problemer trinn for trinn i stedet for å hoppe til et endelig svar.

Hvorfor det er viktig: Smartere modeller (GPT-5, Claude 3.5, Gemini 2.0) bruker interne tankekjeder for å produsere dypere resonnementer.

Sitat (i AI-søk)

Kildene som AI-systemer inkluderer under genererte svar. Tilsvarer «posisjon null» for generativ søk.

Hvorfor det er viktig: Å bli sitert er den nye måleenheten for synlighet.

Kontekstvindu

Mengden tekst en LLM kan behandle i én interaksjon.

Variasjonsbredde:

• 32k (eldre modeller)

• 200k–2M (moderne modeller)

• 10M+ tokens i frontier-arkitekturer

Hvorfor det er viktig: Store vinduer gjør det mulig for modeller å analysere hele nettsteder eller dokumenter på en gang – noe som er avgjørende for AIO.

D–H: Mekanismer og modeller

Dekoder-only-transformer

Arkitekturen bak GPT-modeller. Den er spesialisert på generering og resonnement.

Innebygging

En matematisk representasjon av mening. Ord, setninger, dokumenter og til og med merkevarer blir omgjort til vektorer.

Hvorfor det er viktig: Innebygginger avgjør hvordan AI forstår innholdet ditt – og om merkevaren din vises i genererte svar.

Innebyggingsrom / vektorrom

Det flerdimensjonale «kartet» der innlemminger finnes. Lignende konsepter grupperes sammen.

Hvorfor det er viktig: Dette er det virkelige rangeringssystemet for LLM-er.

Enhet

Et stabilt, maskinlesbart konsept, for eksempel:

• Ranktracker

• Keyword Finder

• SEO-plattform

• ChatGPT

• Google-søk

Hvorfor det er viktig: LLM-er er langt mer avhengige av entitetsrelasjoner enn av søkeordssamsvar.

Few-Shot / Zero-Shot-læring

Modellens evne til å utføre oppgaver med minimalt med eksempler (few-shot) eller ingen eksempler (zero-shot).

Finjustering

Tilleggstrening som brukes på en basismodell for å spesialisere den for et bestemt domene eller en bestemt atferd.

Generativ motoroptimalisering (GEO)

Optimalisering spesielt for AI-genererte svar. Fokuserer på å bli en troverdig kilde for LLM-baserte søkesystemer.

GPU / TPU

Spesialiserte prosessorer som brukes til å trene LLM-er i stor skala.

Hallusinasjon

Når en LLM genererer feilaktig, ubegrunnet eller oppdiktet informasjon.

Hvorfor det er viktig: Hallusinasjoner avtar når modellene får bedre treningsdata, bedre innbygginger og sterkere gjenfinning.

I–L: Trening, tolkning og språk

Inferens

Prosessen med å generere utdata fra en LLM etter at opplæringen er fullført.

Instruksjonstilpasning

Trening av en modell til å følge brukerinstruksjoner på en pålitelig måte.

Dette gjør at LLM-er oppleves som «hjelpsomme».

Kunnskapsavskjæring

Datoen etter hvilken modellen ikke har noen treningsdata. Gjenfinningsforsterkede systemer omgår delvis denne begrensningen.

Kunnskapsgraf

En strukturert representasjon av enheter og deres relasjoner. Google Search og moderne LLM-er bruker disse grafene for å grunnlegge forståelsen.

Stort språkmodell (LLM)

Et Transformer-basert nevralt nettverk som er trent på store datasett for å resonnere, generere og forstå språk.

LoRA (Low-Rank Adaptation)

En metode for effektiv finjustering av modeller uten å endre alle parametere.

M–Q: Modellatferd og systemer

Mixture-of-Experts (MoE)

En arkitektur hvor flere «ekspert» nevrale delmodeller håndterer forskjellige oppgaver, med et rutingsnettverk som velger hvilken ekspert som skal aktiveres.

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

Modelljustering

Se «Justering» – fokuserer på sikkerhet og intensjonsmatching.

Modellvekter

De numeriske parametrene som læres under trening. Disse definerer modellens atferd.

Multimodal modell

En modell som aksepterer flere typer inndata:

• tekst

• bilder

• lyd

• video

• PDF-filer

• kode

Hvorfor det er viktig: Multimodale LLM-er (GPT-5, Gemini, Claude 3.5) kan tolke hele nettsider helhetlig.

Naturlig språkforståelse (NLU)

Modellens evne til å tolke mening, kontekst og intensjon.

Nevralt nettverk

Et lagdelt system av sammenkoblede noder (nevroner) som brukes til å lære mønstre.

Ontologi

En strukturert representasjon av begreper og kategorier innenfor et domene.

Parameterantall

Antall lærte vekter i en modell.

Hvorfor det er viktig: Flere parametere → større representasjonskapasitet, men ikke alltid bedre ytelse.

Posisjonskoding

Informasjon lagt til tokens slik at modellen kjenner rekkefølgen på ordene i en setning.

Prompt Engineering

Utforming av inndata for å frembringe ønskede utdata fra en LLM.

R–T: Gjenfinning, resonnement og treningsdynamikk

RAG (Retrieval-Augmented Generation)

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

Hvorfor det er viktig: RAG reduserer hallusinasjoner dramatisk og styrker AI-søk (ChatGPT Search, Perplexity, Gemini).

Resonnementmotor

Den interne mekanismen som gjør det mulig for en LLM å utføre flertrinnsanalyse.

Neste generasjons LLM-er (GPT-5, Claude 3.5) inkluderer:

• tankerekke

• verktøybruk

• planlegging

• selvrefleksjon

Forsterkende læring fra menneskelig tilbakemelding (RLHF)

En treningsprosess hvor mennesker vurderer modellutdata, og dermed bidrar til å styre atferden.

Omrangering

En gjenfinningsprosess som omorganiserer dokumenter etter kvalitet og relevans.

AI-søkesystemer bruker re-ranking for å velge sitatkilder.

Semantisk søk

Søk basert på innebygde funksjoner i stedet for nøkkelord.

Selvoppmerksomhet

En mekanisme som gjør det mulig for modellen å vurdere betydningen av ulike ord i en setning i forhold til hverandre.

Softmax

En matematisk funksjon som brukes til å omdanne logitter til sannsynligheter.

Overvåket finjustering (SFT)

Manuell trening av modellen på utvalgte eksempler på god oppførsel.

Token

Den minste tekstenheten som en LLM behandler. Kan være:

• et helt ord

• et delord

• tegnsetting

• et symbol

Tokenisering

Prosessen med å dele opp tekst i tokens.

Transformer

Den nevrale arkitekturen bak moderne LLM-er.

U–Z: Avanserte konsepter og nye trender

Vektordatabase

En database som er optimalisert for lagring og henting av innlegginger. Brukes mye i RAG-systemer.

Vektorsimilaritet

Et mål på hvor nærme to innlegginger er hverandre i vektorrommet.

Hvorfor det er viktig: Valg av sitater og semantisk matching avhenger begge av likhet.

Vektbinding

En teknikk som brukes til å redusere antall parametere ved å dele vekter på tvers av lag.

Zero-Shot-generalisering

Modellens evne til å utføre oppgaver den aldri har blitt spesifikt trent til, på en korrekt måte.

Zero-Shot-gjenfinning

Når et AI-system henter riktige dokumenter uten tidligere eksempler.

Hvorfor denne ordlisten er viktig for AIO, SEO og AI Discovery

Overgangen fra søkemotorer → AI-motorer betyr:

• oppdagelse er nå semantisk

• rangering → sitering

• nøkkelord → enheter

• sidefaktorer → vektorfaktorer

• SEO → AIO/GEO

Forståelse av disse begrepene:

• forbedrer AIO-strategien

• styrker enhetsoptimalisering

• klargjør hvordan AI-modeller tolker merkevaren din

• hjelper med å diagnostisere AI-hallusinasjoner

• bygger bedre innholdsklynger

• veileder bruken av Ranktracker-verktøyet

• fremtidssikrer markedsføringen din

Jo bedre du forstår språket til LLM-er, jo bedre forstår du hvordan du kan få innsikt i dem.

Denne ordlisten er ditt referansepunkt – ordboken for det nye AI-drevne oppdagelsesøkosystemet.