LLM: o que é um modelo de linguagem e como ele lê o seu site

LLM é a sigla em inglês para large language model, ou grande modelo de linguagem: um programa de inteligência artificial que aprendeu, lendo uma quantidade enorme de texto, a adivinhar qual pedaço de texto vem a seguir. Repetindo essa adivinhação, ele escreve respostas, resume documentos, traduz e conversa. É o motor por trás do ChatGPT, do Gemini e do Claude.

Para quem tem um site, a definição só fica útil quando vem junto com duas perguntas práticas: o que esse modelo já sabe sobre a sua empresa, e como ele faz para ler a sua página hoje. As duas respostas estão neste texto, junto com um teste que fizemos com os tokens dos posts deste blog.

Um aviso antes: em faculdades de Direito, LLM (ou LL.M.) é o Master of Laws, um mestrado em Direito. Aqui o assunto é só o de inteligência artificial.

O que é um LLM, em termos simples?

É um modelo estatístico de linguagem que ficou muito grande. O curso de aprendizado de máquina do Google descreve um modelo de linguagem como algo que estima a probabilidade de um token, ou de uma sequência de tokens, aparecer dentro de um texto maior. Token é o pedaço de texto com que o modelo trabalha (já chegamos nele).

O "grande" se refere a duas coisas: o volume de texto usado no treino e a quantidade de parâmetros, os números internos que o treino ajusta. Um só modelo pode ter centenas de bilhões deles: o Muse Spark Open, que a Meta liberou para download, tem 816 bilhões. É nesse ajuste que o modelo guarda o que aprendeu sobre gramática, fatos, estilos e assuntos.

Pense numa frase incompleta do site de uma clínica: "Atendemos de segunda a sexta, das 8h às...". Depois de ver milhões de frases parecidas, o modelo acha muito provável que venha "18h" e bem pouco provável que venha "batata". Ele não consultou a agenda da clínica. Escolheu a continuação que soa certa.

Esse detalhe explica quase tudo o que você vai ler sobre LLMs. O modelo é ótimo em produzir texto plausível, e plausível não é sinônimo de verdadeiro. Quando falta a informação e ele não vai buscá-la, pode completar a frase com algo convincente e errado, o que se chama de alucinação.

A arquitetura que tornou esses modelos possíveis se chama Transformer. Ela foi apresentada em junho de 2017 no artigo "Attention Is All You Need", de pesquisadores ligados ao Google. O "T" de GPT vem desse nome.

Como um LLM aprende e como ele responde?

O caminho tem duas etapas no treino e uma na hora do uso.

1. Pré-treino. O modelo lê um volume gigantesco de texto (páginas da web, livros, código) e, frase após frase, tenta prever o próximo token. Cada erro corrige um pouco os parâmetros. Ninguém ensina regra de gramática: ela aparece como padrão estatístico.
2. Ajuste. O modelo que só completa frases ainda não é um assistente. Ele passa por uma segunda fase com exemplos de pergunta e resposta e com avaliações de pessoas, para aprender a seguir instruções, recusar pedidos perigosos e responder num tom útil.
3. Uso. Quando você faz uma pergunta, o texto vira tokens, o modelo calcula o token mais adequado para começar a resposta, acrescenta esse token ao texto e repete o cálculo até terminar. Por isso a resposta aparece na tela aos poucos.

Os parâmetros não mudam enquanto você conversa. O modelo não aprende com a sua pergunta no meio da resposta: ele trabalha com o que ficou gravado no treino e com o que está escrito na conversa naquele momento.

O que é token e quantos tokens tem uma página?

Token é a unidade de texto que o modelo lê e escreve. Pode ser uma palavra inteira, parte de uma palavra ou até um sinal de pontuação. Cada empresa tem o próprio tokenizador, o programa que faz esse corte, então a mesma frase rende contagens diferentes em modelos diferentes.

Para ver isso com textos em português, usamos o tokenizador o200k_base, que a OpenAI publica na biblioteca tiktoken e que serve aos modelos da família GPT-4o à GPT-5. O que saiu, em 29/10/2026:

Palavras longas e acentuadas se partem mais, e expressões comuns em inglês costumam caber num token só. Numa frase inteira a diferença pode sumir: a frase do horário, traduzida para o inglês, também deu 31 tokens.

Depois passamos pelo mesmo tokenizador o texto dos 55 posts publicados neste blog. Foram 123.917 palavras e 174.302 tokens, cerca de 1,4 token por palavra. O post mais longo, com pouco mais de 3.100 palavras, deu 4.372 tokens.

Isso importa por dois motivos. As empresas cobram o uso dos modelos por token, e os limites de leitura também são contados em tokens. Só não confunda com o "token" que aparece no robots.txt: o Google-Extended também é chamado assim, mas lá a palavra quer dizer um nome de controle, sem relação com pedaços de texto.

O que é a janela de contexto?

É o tanto de texto que o modelo consegue levar em conta de uma vez para responder. A documentação da Anthropic chama a janela de "memória de trabalho" e a separa do material de treino: entram nela a conversa inteira, os arquivos anexados, as páginas que a ferramenta leu durante a busca e a própria resposta que está sendo escrita.

As janelas cresceram muito. Na consulta de 29/10/2026:

• os quatro modelos principais da OpenAI (GPT-6 Astra, GPT-6.1 Sol, GPT-6.1 Terra e GPT-6 Luna) aceitam 1,05 milhão de tokens;
• os modelos Claude atuais da Anthropic aceitam 1 milhão;
• o Gemini 4 Argon, do Google, também tem janela de 1 milhão.

Pelas nossas contas acima, o post mais longo do blog ocupa menos de 0,5% de uma janela dessas. O tamanho da sua página, portanto, raramente é o problema. A própria Anthropic avisa que contexto maior não quer dizer leitura melhor: conforme o volume de tokens cresce, a precisão para achar e usar um dado cai. Um texto que diz logo no começo de cada seção o que o leitor procura ajuda a pessoa e ajuda o modelo.

Quais são os LLMs mais conhecidos hoje?

Os nomes mudam a cada poucos meses, então a lista abaixo vale para a data da consulta, 29/10/2026, feita nas páginas oficiais de cada empresa.

"Pesos abertos" quer dizer que a empresa libera o arquivo do modelo já treinado. Uma empresa pode rodá-lo no próprio servidor, sem mandar dados para fora. Os modelos fechados, como os da OpenAI e da Anthropic, não podem ser baixados: você usa pelos aplicativos e pelas APIs que a empresa oferece.

LLM, chatbot e IA generativa: qual a diferença?

São camadas diferentes da mesma coisa, e misturar as três é a confusão mais comum.

• IA generativa é o nome da categoria inteira: qualquer sistema que cria conteúdo novo, seja texto, imagem, áudio, vídeo ou código. Um gerador de imagens é IA generativa e não é LLM.
• LLM é o modelo que trabalha com linguagem. É o "cérebro" estatístico, sem tela, sem botão, sem histórico de conversa.
• Chatbot ou assistente é o produto que você abre no celular. Ele junta o LLM com uma interface, guarda a conversa, lê anexos e, principalmente, pode usar ferramentas, como a busca na web.

O ChatGPT é um assistente; quem escreve as respostas são os modelos GPT da OpenAI. No Gemini e no Claude, o mesmo nome serve para o aplicativo e para a família de modelos, o que ajuda a embaralhar.

Mais um nome parecido: o llms.txt, muito citado em dicas de "preparar o site para IA", é um arquivo publicado na raiz do site. Ele não é um modelo e não ensina nada a um. Veja o que se sabe sobre esse arquivo e se ele faz efeito antes de gastar tempo com ele.

O que o LLM sabe do treino e o que ele busca na hora?

Tudo o que o modelo aprendeu no treino tem data de validade. É a chamada data de corte do conhecimento: o ponto em que a coleta de material parou. Na consulta de 29/10/2026, a OpenAI informa 30 de abril de 2026 para o GPT-6 Astra e 1º de junho de 2026 para o GPT-6.1 Terra. A Anthropic informa junho de 2026 para os modelos Claude atuais. O Google não publica essa data na página de modelos do Gemini.

Na prática, existem dois caminhos pelos quais o conteúdo do seu site chega a um LLM, e eles funcionam de forma bem diferente:

A documentação da OpenAI diz que as duas permissões são independentes: dá para recusar o GPTBot, que coleta para treino, e ainda assim ser encontrado pelo OAI-SearchBot, que busca para o ChatGPT. Escolher qual robô liberar é decisão sua, e a tabela com o robô de coleta e o de busca de cada empresa mostra como fazer isso no robots.txt.

Imagine, para ver os dois caminhos juntos, um curso de inglês de Goiânia que mudou de endereço em agosto de 2026. Um modelo com corte em junho ainda "lembra" do endereço antigo, porque foi isso que ele leu no treino. Se a pessoa perguntar e o assistente não buscar na web, a resposta sai com o endereço velho. Se ele buscar e conseguir ler a página de contato atual, sai o novo. O nome técnico desse esquema de buscar trechos e escrever a resposta com eles é RAG, e ele tem regras próprias.

O que muda para o seu site?

Quase tudo o que depende de você está no segundo caminho: a busca na hora. E nele o LLM não enxerga a página como você. Ele não abre um navegador, não vê cores nem botões. O robô baixa o HTML, extrai o texto, e é esse texto que entra na janela de contexto.

Três consequências práticas:

1. O texto precisa vir pronto no HTML. Boa parte dos robôs de IA não executa JavaScript. Página que só ganha conteúdo quando os scripts rodam chega a eles vazia. De 20 a 22/10/2026 lemos 302 páginas de 53 sites brasileiros do jeito que esses robôs leem, sem rodar scripts, e 18 delas não tinham uma palavra sequer de texto. Se o seu site foi montado num construtor que desenha tudo no navegador, veja como descobrir se o robô recebe a página em branco e como resolver.

2. O robô de busca precisa conseguir entrar. Liberado no robots.txt e não barrado pelo firewall. Se o robô de busca for recusado, o assistente fala da sua empresa com o que outros sites dizem ou com a memória do treino, que pode estar desatualizada ou nem incluir você.

3. Bloquear a coleta para treino é uma escolha, não um acidente. Quem recusa o GPTBot e o ClaudeBot no robots.txt pede que os próximos modelos não aprendam com o próprio texto. É uma decisão legítima para quem vende conteúdo exclusivo. O efeito colateral é o modelo tender a saber menos sobre a marca quando responde sem buscar.

Depois disso vem o trabalho de fazer a página ser escolhida e citada entre tantas outras, que é o assunto do nosso guia sobre o que é GEO e como aplicar no site.

Que parte do seu site existe para um LLM?

Só a que chega como texto. O jeito mais rápido de saber qual é essa parte é olhar a página como o robô olha.

1. Abra a página mais importante do site, como a inicial ou a de um serviço, na nossa leitura da página sem JavaScript. A ferramenta mostra o texto, os títulos e os dados estruturados que um robô recebe sem executar JavaScript.
2. Confira se o essencial está lá: o que a empresa faz, onde atende e como falar com ela. O que não aparecer nessa tela, para a IA que busca, não está escrito.
3. Agora abra a mesma página no navegador e compare as duas. Se faltar um bloco inteiro (depoimentos, tabela de preços, descrição do serviço), ele provavelmente depende de script.
4. Rode a análise completa do validador para ver numa só passada se o robots.txt e o servidor deixam os robôs de IA entrar e se as outras páginas também trazem texto no HTML.

Se o texto aparece inteiro e os robôs de busca entram, o seu site já está legível para os LLMs. A partir daí, a disputa é de conteúdo.