이때 다음에 올 가능성이 있는 단어 중 가장 가능성이 높은 단어를 하나만 선택하거나, 또는 가능성이 높은 몇 개의 후보 단어 중 무작위로 하나를 골라 응답이 좀 더 다양하고 인간적으로 보이게 할 수도 있습니다.
요약하면 LLM의 특별한 두뇌 구조는 올바른 단어에 주의를 기울이고 순서를 기억하며 다음에 올 가능성이 있는 단어에 확률을 할당합니다. 그러고 나서 가장 적합한 선택을 프롬프트에 대한 적합한 응답으로 복호화합니다.
LLM은 이러한 과정을 통해 사용자가 제공한 초기 프롬프트를 기반으로 대화를 합리적으로 이어가는 매우 인간적인 응답을 생성할 수 있습니다.
LLM의 주요 장점 중 하나는 퓨샷 러닝(few-shot learning, 소수 예시 기반 학습)이나 제로샷 러닝(zero-shot learning, 무 예시 기반 학습)이 가능하다는 것입니다. 다시 말해 사전 학습 단계부터 지식을 일반화하여 최소한의 추가 학습 데이터만으로도 새로운 작업이나 분야에 빠르게 적응할 수 있습니다. 퓨샷 러닝은 모델에게 학습 가능한 소수의 예시를 제공하고, 제로샷 러닝은 모델이 기존에 보유하고 있는 지식과 주어진 프롬프트에만 의존하여 응답을 생성합니다.