LLMO: hogyan kerülj be a nagy nyelvi modellek belső tudásába?

Mi az az LLMO?

Az LLMO (Large Language Model Optimization) a nagy nyelvi modellek pre-training adatbázisába való bekerülés tudatos stratégiája. A fogalom 2023–2024-ben jelent meg, ahogy a szakma elkülönítette az AI-láthatóság különböző rétegeit egymástól.

Az LLM-ek belső tudása a training folyamat alatt épül fel — ez nem egy keresési index, amelyet naponta frissítenek, hanem egy modell-paraméterekbe kódolt tudásbázis, amely hónapokig, sőt évekig stabil marad. Ha a tartalmad ebben a rétegben szerepel, az AI akkor is „tudja" rólad, ha semmilyen live-keresést nem végez.

Az alábbi táblázat összefoglalja a négy AI-láthatósági stratégia különbségeit:

A különbség nem csak időhorizont kérdése. Az SEO és GEO valós idejű rendszerekre hat — a Google újra tud indexelni hetek alatt. Az LLMO ezzel szemben a modell következő kiadásáig vár. Cserébe a hatás tartósabb: nem kell folyamatosan „versenyezni" a rangsorolásért, mert a modell belső paramétereiből már nem törlődik könnyedén a tudás.

Hogyan épül fel egy LLM tudása?

A nagy nyelvi modellek tudása három szintből épül fel: pre-training, fine-tuning és opcionálisan RAG (Retrieval-Augmented Generation). Az LLMO az első rétegre fókuszál.

Pre-training: az alapréteg

A pre-training során a modell hatalmas mennyiségű szöveget dolgoz fel — a GPT-4 esetén ez hozzávetőlegesen 15 billió token, azaz kb. 10–12 petabyte nyers szöveg. Ebből a modell megtanulja a nyelvhasználatot, a fogalmakat, az összefüggéseket és a tényeket. Ez a tudás a modell súlyaiba van kódolva — és nem változik a training befejezése után.

Fine-tuning: a specializáció rétege

A fine-tuning során a pre-trained modellt egy kisebb, irányított adathalmazon továbbtanítják — például utasítás-követésre, stílusra vagy egy szakterületre. Az Anthropic (Claude), az OpenAI (GPT) és a Google (Gemini) mind saját fine-tuning adataikat is felhasználják. Ez a réteg inkább viselkedésmintákat tanít, kevésbé tény-alapú tudást.

RAG: a valós idejű réteg

A RAG (Retrieval-Augmented Generation) rendszerekben a modell a válaszadás pillanatában lekérdez egy vektoros adatbázist vagy live web indexet. A Perplexity, a Google AI Overview és a ChatGPT Browse mind RAG-alapú kiegészítéssel dolgoznak. Ez a réteg nem LLMO-célpont — hanem GEO és AEO célpont.

A training pipeline vizuálisan:

Az LLMO a pipeline első két fázisát célozza: a nyers web és a minőségi szűrés lépését. Ha a tartalmad bekerül a szűrött, curated rétegbe, megjelenik a training adatban — és onnantól a modell tudásbázisának részévé válik.

Mi kerül be és mi nem — az adatminőségi szűrők

A Common Crawl havonta több petabyte adatot gyűjt az internetről — de ebből a legtöbb modell csak egy szűrt részt használ fel. A szűrési folyamat meghatározza, kinek a tartalma épül be a modell tudásába.

A legfontosabb training korpuszok és szűrőik

• C4 (Colossal Clean Crawled Corpus): A Google T5 alapja. Szűri a duplikált tartalmakat, a rövid oldalakat, az adult tartalmat és a nem-természetes-nyelvű szövegeket. Csak olyan oldalak kerülnek be, amelyek legalább 3 mondatot tartalmaznak és nem szerepelnek tiltólistákon.
• The Pile (Eleuther AI): 886GB szöveg 22 forrásból. Tartalmazza a GitHub-ot, az arXiv-ot, a Wikipedia-t, a PubMed-et és a Common Crawl egy szűrt rétegét. Expliciten kiemeli a magas minőségű, citált forrásokat.
• FineWeb (Hugging Face, 2024): A jelenlegi legjobb minőségű nyílt pre-training adathalmaz. 15T token, 5 lépéses minőségi szűrővel: URL-szűrés, szöveg-kinyerés, minőségi szűrés, deduplikáció, safety szűrés.

Ami kiszűrésre kerül

• Duplikált tartalom: Ha ugyanaz a szöveg több URL-en is megjelenik, a szűrők csak egyet tartanak meg — általában a legkorábbit vagy a leginkább hivatkozott változatot.
• Vékony oldalak: Kevesebb mint 200–300 szóból álló, tartalmilag üres lapok automatikusan kiesnek.
• URL-rotált tartalom: Ugyanaz a cikk tíz különböző URL-en — ez spam-mintának minősül és a teljes domain hitelességét csökkenti.
• Spam és SEO-szövegek: Kulcsszó-tömött, alacsony értékű tartalom. A perplexity-alapú szűrők (hány szót lehet előre jelezni) kiszűrik a generikus szövegeket.

Ami bent marad

• Külső hivatkozásokkal rendelkező tartalom: Ha más megbízható oldalak hivatkoznak rá, a szűrők magasabb minőségűnek értékelik.
• Stabil URL-struktúra: Az oldalak, amelyek évek óta azonos URL-en elérhetők, megbízhatóbbnak számítanak.
• Definíciók és strukturált tartalom: A világos fogalommeghatározások és listák jobban kinyerhetők és feldolgozhatók.
• Forrásolt statisztikák: A konkrét adatok és hivatkozások hitelesség-jelzőként működnek.

LLMO stratégia 2026 — 7 taktika

Az alábbi hét taktika az adatminőségi kutatásokon (FineWeb, C4, The Pile) és az LLMO-szakirodalom jelenlegi legjobb praxisán alapul. Nem garantálnak gyors eredményt — de együttesen szignifikánsan növelik az esélyt, hogy a tartalmad a következő modell-frissítési hullámban bekerüljön a training adatba.

• 1
  Entity stabilitás — tartós domain, állandó slug, konzisztens brandnév Az LLM-ek entity-gráfot építenek: ha a „Varga Zoltán" és a „vargazoltan.ai" fogalmak konzisztensen, ugyanazon az URL-en, hosszú ideje léteznek — az entitás erős. URL-struktúra változtatás, átnevezés és domaincserék roncsolják ezt az entitást. Soha ne változtasd meg a kulcs-cikkek slug-ját.
• 2
  Citált statisztikák — forrás zárójelben, konkrét számok A körülbelüli becslések („sok vállalat") helyett konkrét számokat használj forrással: „a McKinsey 2024-es felmérése szerint a vállalatok 72%-a...". A training szűrők a konkrét, sourced állításokat magasabbra értékelik, mint a generikus megfogalmazásokat.
• 3
  Definíciók H2 fejlécek után — az AI tanul a definíció-formátumból Minden szekció nyisson fogalommeghatározással: „Az LLMO (Large Language Model Optimization) a pre-training adatbázisba való bekerülés stratégiája." Ez a struktúra mind a training feldolgozás, mind a RAG-kinyerés számára előnyös — dupla haszon.
• 4
  Author entity építése — más weboldalakon is szerepelj Ha a „Varga Zoltán AI-stratégia tanácsadó" entitás csak egy domainen jelenik meg, az LLM gyenge entityként kezeli. Erős entitáshoz: LinkedIn-profil, vendégcikkek, interjúk más oldalakon, GitHub, YouTube. Minél több megbízható forrásban szerepel az entitás, annál erősebb a „súlya" a modellben.
• 5
  Tartalom frissítése — éves „2026" dátum jelzi, hogy az oldal él A stabil, de aktívan frissített tartalom valószínűbben kerül be a következő Common Crawl hullámba és a curated szűrőkön át. A „Frissítve: 2026. március" jelzés nemcsak SEO-jel — az adatminőségi szűrők is preferálják az aktuális tartalmakat az elavultakkal szemben.
• 6
  External linking hiteles forrásokhoz — Nature, Harvard, McKinsey, Statista Az a tartalom, amely megbízható, magas-citálású forrásokra hivatkozik, maga is hitelesebbnek minősül a szűrési folyamatban. Nem kell sok — elegendő 2–3 erős, releváns hivatkozás cikkenként. A linkgyár-megközelítés (50 random hivatkozás) nem segít, sőt spam-mintaként értelmezhető.
• 7
  Duplikáció elkerülése — canonical URL, nincs vékony oldal, merge töredék-tartalmak Minden tartalom egyetlen kanonikus URL-en éljen. A thin content (kevesebb mint 300 szó hasznos szöveg) összevonandó nagyobb, értékesebb egységekbe. A canonical tag technikai implementáció — de az LLMO szempontjából stratégiai döntés: egy erős oldal jobb, mint tíz gyenge.

Az LLM entity recall tesztelése

Az LLMO egyetlen közvetlen mérési módszere az LLM entity recall teszt: kérdezd meg a modelleket direkten, mit tudnak rólad. Ez nem pontos tudományos mérőszám — de az egyetlen elérhető közelítő módszer, amíg a nagy modell-labek nem tesznek közzé training data transzparencia-jelentéseket.

A teszteléshez három modellt érdemes párhuzamosan használni: ChatGPT (GPT-4o), Claude (Anthropic) és Perplexity. Mindhárom más pre-training adatot és más frissítési ciklust használ — ha mindhárom „tud" rólad, az erős entitás-jel.

A teszt értelmezése

• Az AI pontosan leírja a domaint, a szerzőt és a szakterületet: Erős LLMO-jel. A tartalom beépült a modell training adatába.
• Az AI „hallott rólad", de bizonytalanul fogalmaz vagy kever adatokat: Gyenge entitás. A mennyiségi jelzők (külső hivatkozások, citálások) hiányoznak.
• Az AI nem tudja, ki vagy, vagy teljesen más személlyel kever: Az entitás nem lett bejegyezve a modell tudásába. LLMO-munka szükséges.
• Perplexity citál, de ChatGPT nem tud rólad: Ez normális — Perplexity RAG-alapú (live keresés), a ChatGPT alapmodell training-alapú. Előbbi GEO-siker, utóbbi LLMO-hiány.

LLMO vs GEO: melyiket prioritizáljuk?

Az LLMO és a GEO nem egymást kizáró stratégiák — de az erőforrások szükségszerűen végesek. A legtöbb vállalat és szakértő számára a következő prioritási sorrend érvényes:

Az LLMO-ba akkor érdemes befektetni, amikor:

• A GEO és AEO alapok már el vannak végezve (FAQPage schema, author entity, strukturált tartalom).
• A tartalom-portfólió már stabil és minőségi — nincs thin content, nincs URL-rotáció.
• Az external citáltság már elindult — más megbízható oldalak hivatkoznak a tartalomra.
• Hosszú távú pozícionálási stratégia van — a domain és a személyes brand több éves horizonton épül.

Az LLMO és GEO kölcsönösen erősítik egymást. Az a tartalom, amely GEO-ra optimalizált (strukturált, citálható, statisztika-gazdag), egyben a legjobb LLMO-jelölt is — mert ugyanezek a jellemzők a pre-training szűrőkön is jobban teljesítenek. A kettő között nincs ellentmondás, csak időhorizont-különbség.

Kérdések és válaszok

Kapcsolódó tartalmak

Varga Zoltán

AI-stratégia és GEO/AEO/LLMO tanácsadó. A GFIS (Gestalt Field Intelligence System) fejlesztője — egy kutatási rendszer, amely az AI-láthatóságot méri és optimalizálja vállalati tartalom-portfóliókon. Az LLMO-témában publikált elemzéseim saját corpus-elemzésen (1,48M szövegtöredék, Qdrant vektoros adatbázis), a FineWeb, C4 és The Pile adatminőségi dokumentációján, valamint saját LLM entity recall teszteken alapulnak.