Egy, a szerző által nemrégiben befejezett tankönyv tapasztalatai alapján a nagy nyelvi modellek (LLM-ek) hasznos eszközöknek bizonyultak a formázásban, szerkesztésben és ismétlődő technikai feladatokban, de továbbra is gyengék a hosszú, szervezett és koherens szakmai fejezetek megírásában. A szerző post-training tankönyve, Reinforcement Learning from Human Feedback (elérhető Manning és Amazon kiadásban), elkészítése során többféle módon használta az LLM-eket: LaTeX-egyenletek formázására, kiterjedt copyeditingre, valamint diagramok (például TikZ és Python) generálására.
Miben jók a modellek
- Hibakeresés és apróbb javítások: a szerző beszámolója szerint például a GPT 5.5 Pro egy majdnem végleges PDF-kéziratban (200–300 oldal) mély, meglepő apró elírásokat talált. Az ilyen, lokális, verifikálható feladatokban az LLM-ek különösen hatékonyak.
- Szerkesztői javaslatok: az Anthropic Claude-modellek a szerző szerint „több ízléssel” bírnak — gyakrabban értenek rá a feladatra, hasznosabb ötleteket adnak a szerzői elakadások feloldására, és jobb szerkesztői visszajelzéseket adnak.
- Technikai munkafolyamatok gyorsítása: a szerzőnek egyszerre kellett Markdown és LaTeX verziókat karbantartania, valamint egy webes és egy kiadói (Manning) forkot szinkronizálnia; ennek a feladatnak az automatizálása LLM-segítséggel jelentősen csökkentette a ráfordított időt.
Miért nem elég jók a modellek hosszú, szakmai szöveghez?
A szerző tapasztalata szerint a ma elérhető modellek a hosszú formátumú, technikai non-fiction írásnál növelik az entrópiát: képesek egy-egy mondatot vagy egy egyenletet jól megírni, de többször előfordul, hogy teljes fejezetek szervezése vagy a gondolatmenet összefűzése bizonytalan, következetlen vagy hibákkal terhelt. Konkrét megfigyelések:
- Kompozíciós problémák: miközben a modellek jók az egyes tartalmi egységek ellenőrzésében vagy előállításában, nehezen reviszitalják és koherensen illesztik össze azokat, amikor sok kiegészítés kerül egy anyagra — ebből állandósult, összegződő hibák keletkeznek.
- Hiányzó általánosítás: bár a modellek más területeken (kódolás, matematika, keresés) gyors fejlődést mutattak, a hosszú, szerkezeti írás képessége nem követte ezt a tempót; a szerző szerint ez részben azzal magyarázható, hogy hiányzik a jó, célzott tanítóadat a hosszú, szakmai stílusokhoz.
- Inference-time kihasználás hiánya: a tipikus használat során a modellek autoregresszívan, minimális előtervezéssel generálnak szöveget, és nem alkalmaznak kiterjedt, iteratív belső tervezést vagy több modell általi értékelést, ami javíthatná a hosszú szövegek koherenciáját.
Hogyan használta a szerző az eszközöket a saját munkafolyamatában?
A szerző elismeri, hogy kevesebb, mint 1% technikai magyarázat mondat az ő könyvében AI-betétdés eredménye; ezeket azért fogadta el, mert kifejezetten hasznosnak találta őket. Tipikus munkamódszerek:
- Claude Code-dal a szerkesztői megjegyzések (például LaTeX fájlokban \editor{} delimiterrel) feldolgoztatása: a modell kigyűjtötte a kontextust, megítélte, hogy egyszerű elírásról vagy mélyebb problémáról van-e szó, és javaslatot tett a beillesztendő szövegre.
- Ismétlődő, rutinszerű feladatok automatizálása: egyes háttérszakaszok, összefoglalók vagy a formázás egységesítése gyorsabban ment AI-segítséggel.
A szerző azonban hangsúlyozza, hogy amikor a könyv „lelke” — az absztrakt, bevezetés, kísérletek értelmezése, konklúzió — került szóba, azokat inkább emberi kézre tartotta, mert ezek közvetítik a munka történetét és értelmét.
Mekkora időmegtakarításra elég ma az AI?
A szerző konzervatív becslése szerint jelenleg az LLM-ek 10–20% körüli részt takarítanak meg a szakmai írás ellenőrzésében és előkészítésében. Ez hasznos, de nem forgatja fel alapjaiban a hosszú referencia munkák készítését: a teljesítményjavulás többszörös hatása ma még nem látszik.
Mi következik ebből a jövőre nézve?
- Rövid távon (2–5 év): a legjobb tankönyvek továbbra is erősen kézi kialakítást igényelnek; az LLM-ek segítenek, de nem helyettesítik a szakértői szerkesztést és szervezést.
- Képességprofil: a modellek jelenleg két kontextusban kiemelkedőek: 1) amikor a feladat teljes mértékben verifikálható és ellenőrizhető, és 2) amikor sok kontextust kapnak és egy kis, specifikus szerkesztést kell végrehajtani (például hibajavítás, egy konkrét egyenlet megoldása, pontos visszajelzés).
A szerző optimista azzal kapcsolatban, hogy a modellek a tudományos munka asszisztensévé válnak — különösen az ismétlődő, formális feladatokban —, de óvatos abban, hogy mikor várhatóak valódi áttörések a hosszú, kreatív vagy mélyen szervezett szakmai írás terén. Addig is az emberi szakértelem és szerkesztés marad a referencia-szövegek minőségének fő garanciája.
Záró megjegyzés
Az LLM-ek már most is értékesek: gyorsítanak, szerkesztenek és segítenek a formázásban. Ugyanakkor a hosszú, koherens technikai érvelés és a tudás kompressziója — ami elengedhetetlen az új, általánosítható betekintésekhez — továbbra is kihívás számukra. Amíg ez a probléma meg nem oldódik, a modellek inkább az alacsonyabb kockázatú, lokális feladatoknál lesznek forradalmiak, mint a teljesen autonóm, nagyívű tudományos alkotásoknál.
