Почему LLM пишет «как нейросеть»: разбор привычек моделей в 2026

Разбор новинки простыми словами: что это, кому нужно и брать ли.

Показывает, что стилевые просьбы меняют контекст, а не веса модели — значит, для SMB-контента нужны примеры и правки, а не только промпт «напиши как Чехов».

Связанные услуги: каталог, AI Boost Team, стать клиентом.

Вы просите «как Чехов», а получаете «как нейросеть»

Знакомая сцена. Вы даёте модели задание: сцена, диалог, немного чеховской недоговорённости. Модель убирает канцелярит, добавляет полутона. А потом всё равно объясняет каждый жест героя и добивает финал моралью. Как будто внутри сидит методист, который боится, что читатель не понял.

Разбор BotHub на Хабре объясняет, почему так выходит. Просьба о стиле не переписывает модель. Она подкладывает ей другой контекст, по которому та считает следующее слово. Машина остаётся той же. Меняется то, на что она смотрит.

Откуда берётся почерк: три слоя и оформление

Модель пишет авторегрессионно: слово за словом, каждый следующий токен выбирается с оглядкой на уже написанное. На этом пути у неё три тренировки.

• Предобучение. Материал для письма вообще: инструкции, диалоги, научные тексты, художественная проза. Здесь модель учится предсказывать продолжение и впитывает, как бывают устроены разные тексты.
• Дообучение на парах «запрос — ответ». Здесь формируется манера отвечать: лексика, длина фраз, оформление. Причём перенимается весь ответ целиком, включая вступление, которое редактор вычеркнул бы первым.
• Обучение по предпочтениям. Люди ранжируют варианты ответа, модель учится выдавать то, что оценили выше. И тут в игру вступает оформление.

Исследование From Lists to Emojis показало: ответы со списками и полужирными выделениями получали преимущество при оценке. Длинный текст тоже кажется содержательнее, хотя объём о содержании ничего не говорит. Если модель хвалят за такую подачу, она начинает использовать её чаще. Отсюда и привычка всё структурировать, даже когда просили просто рассказать историю.

Дообученные модели примерно в полтора-два раза чаще людей использовали номинализации.

Это данные по английским текстам Llama 3 и GPT-4o. То есть «решение» вместо «решать», «объяснение» вместо «объяснить». Базовые версии Llama 3 по ряду признаков были ближе к человеческим текстам, чем версии, натасканные выполнять инструкции. Грубо говоря: чем старательнее модель учили быть полезной, тем сильнее у неё проявляется служебный говорок.

Что реально меняет просьбу о стиле

Раньше спор вокруг качества текстов сводился к промптам: подобрать волшебную формулировку, добавить «представь, что ты редактор глянца». Теперь видно, где рычаг. Веса не двигаются. Работает in-context learning: модель подстраивается под задание по подсказкам внутри запроса.

Ее веса останутся прежними, но изменится контекст, по которому она рассчитывает продолжение.

Температура, top-k и top-p меняют разброс при выборе продолжений. Прибавить температуру и получить чеховскую недоговорённость не выйдет: ручки добавляют случайность, а не иронию. Недоговорённость и ритм придётся описать словами или показать образцами.

В эксперименте автор сравнивал сцены объёмом 140–180 слов, написанные с разными подсказками. Небольшой объём здесь работает на пользу: на коротком тексте видно, что модель взяла из указания, а что притащила из своей обученной манеры. Для SMB это удобная единица замера. Один и тот же абзац о товаре, прогнанный через три варианта запроса, показывает разницу быстрее, чем спор о промпт-инжиниринге.

Кому это нужно и что делать руками

Всем, кто ставит LLM на поток контента: карточки товаров, рассылки, посты, лендинги, ответы в поддержке. Логика простая и неудобная: если вы покупаете текст, а не редактуру, вы покупаете файл. Покупаете решение, когда есть эталон и есть тот, кто сверяет с ним результат.

Практика на SMB-масштабе выглядит так. Вы собираете два-три своих абзаца, которые считаете образцовыми: как вы пишете о продукте, как объясняете цену, как шутите. Кладёте их в запрос как пример и добавляете короткий список того, чего в тексте быть не должно. Дальше правите. Правки, а не заклинания, задают стиль. Модель хорошо копирует предъявленное и плохо угадывает невысказанное.

Подвох: чей Чехов у модели в голове

Просьба «как Чехов» попадает не в писателя, а в смесь из его рассказов, критики, учебников, школьных сочинений и мемов. Если попросить модель перечислить использованные приёмы, она перечислит. Только это будет её собственный текст, а не отчёт о внутренних процессах.

Второй подвох: выводы про номинализации получены на английском. Как это проявляется в русских ответах, надо проверять на своих текстах, а не переносить на веру. Замер дешёвый: возьмите десять своих абзацев и десять сгенерированных, посчитайте отглагольные существительные и среднюю длину фразы.

Брать или подождать: вердикт за 30 секунд

Брать. Подход «примеры + список запретов + редакторская правка» работает уже сейчас, стоит он ноль рублей сверх подписки и не требует дообучения модели. Ограничение одно: без живого редактора на выходе схема разваливается, потому что оценивать собственный текст модель будет пристрастно.

Подождать. Если вы ждёте кнопку «писать как Чехов» с гарантией, ждать придётся долго. Такой кнопки нет и в описанной механике не появится.

Вопросы, которые задают чаще всего

Смена модели решит проблему?

Частично. Разные модели по-разному переобучены на «полезный ответ», у одной служебный говорок заметнее, у другой слабее. Но привычка объяснять всё до конца сидит в самом способе обучения, а не в конкретной версии.

Можно ли дообучить модель под наш стиль?

Можно, но для SMB это обычно дороже, чем давать примеры в запросе. Сначала проверьте, хватает ли контекста с двумя-тремя эталонными абзацами.

Поможет ли запрет на списки и жирный шрифт?

Поможет, если это сказано прямо в запросе и подкреплено примером текста без списков. Без образца модель вернётся к привычному формату при первом же длинном ответе.

Что сделать на этой неделе

1. Выберите три своих текста, которые считаете удачными. Это ваш стилевой эталон.
2. Сформулируйте список из пяти запрещённых оборотов и конструкций. Коротко, без объяснений.
3. Возьмите один реальный абзац о продукте и прогоните через три версии запроса: без подсказок, с описанием манеры, с примерами.
4. Поставьте рядом и отметьте, что изменилось по смыслу, а что только по форме.
5. Заведите правило: любой сгенерированный текст проходит через человека, который вычёркивает финальную мораль и лишние объяснения.

Стиль в LLM задаётся не названием писателя и не температурой. Он задаётся тем, что вы показали и что потом вычеркнули. Если в вашем процессе есть только промпт, у вас есть привычка модели, а не ваш голос.

Разбор целиком полезно прочитать тем, кто настраивает контент-процессы: там пошагово показано, как запрос проходит через слои модели и где именно вмешивается указание о стиле.