Babban samfurin harshe na'ura (LLM) nau'in tsarin AI ne da aka horar da shi akan manyan adadin rubutu don fahimta da kuma samar da rubutu mai kama da na mutum. Yawancin wannan rubutun yana fitowa daga bayanan yanar gizo na jama'a da aka tara cikin tarin bayanai kamar C4, RefinedWeb, da Dolma.
Baya ga horo, ana amfani da bayanan yanar gizo don samar da amsoshi tare da karin bayani, inda samfurin ke samun bayanai masu dacewa daga wata majiya ta waje, kamar inda aka adana bincike, kafin ya samar da amsa.
Girman tarin bayanan horo ba shine kawai abin da ke da mahimmanci ba. Ingancin bayanai ma yana da mahimmanci. Binciken RefinedWeb ya gano cewa bayanan yanar gizo da aka tace da kyau da kuma cire maimaitawa kawai na iya haifar da manyan samfuran.
Misalan LLMs
Samfuran mallaka, ana amfani da su ta hanyar aikace-aikace da APIs:
- GPT: Samfuran OpenAI, da ake samu ta hanyar OpenAI API.
- Claude: Iyali na manyan samfuran harshe da Anthropic ya haɓaka.
- Gemini: Samfuran Google, da ake samu ta hanyar Gemini API.
Samfuran nauyin bude, wanda za a iya sauke nauyinsu:
- Llama: Samfuran Meta, tare da fitarwa daga Llama 2 (2023) zuwa Llama 4 (2025).
- Mistral: Wasu samfuran da aka fitar a ƙarƙashin lasisin Apache 2.0, kamar Mistral 7B da Mixtral 8x7B.
- gpt-oss: Samfuran OpenAI guda biyu, gpt-oss-120b da gpt-oss-20b, da aka fitar a ƙarƙashin Apache 2.0 a watan Agusta 2025.