ИИ часто начинает понимать задачу точнее, если показать ему не только желаемый ответ, но и нежелательный. Причина простая: модели легче уловить границы, когда она видит не только «куда надо», но и «куда не надо»
Поэтому пример плохого результата работает как дополнительная рамка: он сужает пространство догадок и помогает ИИ точнее выбрать стиль, формат и уровень качества.
Проще говоря, хороший пример показывает цель, а плохой пример показывает типичную ошибку. Вместе они дают более ясную карту задачи, чем одно абстрактное пожелание вроде «сделай хорошо»
Что здесь происходит в основе
Когда вы пишете запрос, ИИ не «понимает» задачу так, как человек-эксперт. Он не видит скрытый замысел сам по себе. Он пытается по текстовым сигналам определить, какой ответ здесь будет наиболее уместным.
Проблема в том, что почти любая задача допускает много трактовок. Например, «напиши кратко» может означать:
- Очень сжато
- Без деталей, но с выводом
- В одном абзаце
- В виде списка
- Просто без лишней воды
Для человека это часто очевидно из контекста. Для модели нет. Ей нужны опоры прямо в тексте запроса.
Пример плохого результата добавляет такую опору. Он не просто говорит «не делай плохо», а показывает, что именно в этой задаче считается плохим.
Почему одного хорошего описания часто мало
Если вы пишете: «Сделай текст живым, но не разговорным», модель получает полезное направление. Но такие формулировки все равно остаются немного размытыми. Где именно проходит граница между «живым» и «слишком разговорным»?
Если рядом показать неудачный вариант, например текст с канцеляритом, повторами или пустыми фразами, граница становится намного яснее. Модель получает не только словесное правило, но и конкретный образец ошибки.
Что именно считывает модель из плохого примера
Плохой пример помогает модели извлечь сразу несколько вещей:
- Какой тон считать неудачным
- Какая структура ответа считается слабой
- Какие слова, обороты и шаблоны лучше не использовать
- Какой уровень детализации здесь мешает, а не помогает
- Какие ошибки пользователь замечает особенно остро
Это важно, потому что качество ответа почти всегда состоит не из одной оси «правильно или неправильно», а из набора критериев. Плохой пример показывает эти критерии быстрее, чем длинное объяснение.
Почему это особенно полезно в расплывчатых задачах
Есть задачи, где правильность легко проверить. Например, посчитать сумму чисел или перевести короткую фразу. Там плохой пример полезен, но не всегда критичен.
Но во многих реальных запросах критерии качества неочевидны. Например:
- Написать статью «не сухо, но и не болтливо»
- Сделать письмо «вежливым, но не заискивающим»
- Подготовить описание товара «убедительное, но не рекламное»
- Собрать интерфейсный текст «короткий, но не рубленый»
В таких задачах плохой пример особенно ценен, потому что он показывает тип сбоя, которого вы хотите избежать. А именно на таких сбоях модель чаще всего и спотыкается.
Когда плохой пример помогает сильнее всего
| Ситуация | Почему помогает |
| Нужен определенный стиль | Показывает, какие стилевые черты считаются неудачными |
| Есть риск шаблонного ответа | Заранее отмечает фразы и приемы, которые не надо повторять |
| Критерии качества трудно формализовать | Дает конкретный ориентир вместо расплывчатого описания |
| Результат должен быть «похож, но не слишком» | Помогает удержать тонкую границу между близкими вариантами |
| У задачи есть типичный провал | Позволяет прямо подсветить главный риск |
Когда одного плохого примера недостаточно
Важно понимать ограничение: плохой пример не заменяет нормальную постановку задачи. Если запрос сам по себе туманный, даже хороший отрицательный пример не спасет полностью.
Например, если вы пишете только «Сделай не так, как здесь», но не объясняете, что нужно вместо этого, модель может лишь частично угадать направление. Она поймет, чего избегать, но не обязательно поймет, к чему стремиться.
Лучше всего работает связка из трех частей:
- Цель — что нужно получить
- Хороший ориентир — что считается удачным
- Плохой ориентир — чего именно надо избежать
Тогда модель видит не пустое поле, а понятный коридор.
Что особенно важно в формулировке плохого примера
Чтобы он действительно помогал, а не путал, ему нужна ясная рамка.
- Помечайте его явно — это плохой вариант
- Коротко объясняйте почему — что именно в нем не так
- Не делайте его слишком длинным — иначе внимание размоется
- Показывайте типичную ошибку — а не случайный дефект
- По возможности добавляйте хороший контрастный вариант — чтобы было видно направление исправления
Например, полезнее написать не просто «Вот плохо», а так: «Вот плохой вариант: он слишком общий, в нем много воды и нет прямого ответа на вопрос». Тогда модель понимает, какие признаки считать проблемой.
Важное ограничение
Плохой пример помогает не всегда одинаково. Если задача требует точных знаний, вычислений или проверки фактов, отрицательный образец не заменяет данных, логики и верификации.
Он улучшает в первую очередь наведение на нужный тип ответа. То есть помогает со стилем, формой, приоритетами, границами и типичными ошибками. Но не превращает слабую фактическую основу в сильную.
Коротко о главном
- Плохой пример помогает ИИ, потому что показывает не только цель, но и границы задачи
- Он особенно полезен там, где качество трудно описать одной формулой: стиль, тон, глубина, структура
- Лучше всего он работает как контраст к хорошему варианту, а не сам по себе
- Главная польза не в запрете, а в том, что модель точнее видит, какие признаки ответа считать неудачными
- Плохой пример не заменяет ясную постановку задачи, а делает ее точнее
