Large Language Model (LLM)

LLMs unterscheiden sich von früheren NLP-Modellen in Größe und Vielseitigkeit. Sie haben zig Milliarden Parameter, sind auf hunderten Milliarden Texten trainiert und können ohne aufgabenspezifisches Feintuning eine breite Palette von Sprachaufgaben lösen: Übersetzen, Zusammenfassen, Antworten generieren, Code schreiben, Texte umformulieren.

Der praktische Einsatz ist anspruchsvoll. LLMs sind teuer im Betrieb, neigen zu Halluzinationen und erfordern sorgfältiges Prompt Engineering. Für produktive Anwendungen müssen sie in Pipelines mit Grounding, Validierung und Workflow-Stufen eingebunden werden, nicht als isolierte Chatbots verwendet werden.

Pimcore integriert LLMs über den Agent SDK in produktive Workflows. Modelle wie GPT-4, Claude oder open-source-LLMs werden auf der Data Spine als Faktenbasis betrieben, mit Workflow-gestützten Freigaben und Audit-Trails. Typische Anwendungsfälle sind Produkttext-Generierung, Lokalisierung, Klassifizierung und konversationelle Produktsuche. Pimcore bleibt modell-agnostisch: Anwender können den jeweils passenden LLM-Anbieter wählen.