Cómo Gemini llevó el blog de IA al mode collapse y forzó la reconstrucción del generador de temas

Открытый креативный промпт оказался плохим редактором: вместо разнообразия он незаметно загнал пятничную рубрику AI-блога в mode collapse. Четыре недели подряд LLM предлагала по сути один и тот же «спорный вопрос про ИИ», лишь слегка меняя формулировки, и это стало видно только тогда, когда одинаковые по смыслу тексты сложились в цепочку. Проблема проявилась не сразу именно потому, что каждая отдельная публикация выглядела приемлемо.

На первой неделе тема казалась уместной, на второй — просто похожей, на третьей повтор уже можно было списать на совпадение, но к четвёртой стало ясно: модель не ищет новые углы, а крутится вокруг одного и того же паттерна. Для редакции это особенно неприятный тип сбоя, потому что локально качество сохраняется, а системно контент начинает сам себя дублировать. Сначала решение пытались искать в самом промпте.

Логика была понятной: если модель застряла в одном тезисе, значит, надо сильнее прописать требования к разнообразию, добавить ограничения, попросить новые ракурсы или запретить повторы. Но такие меры помогали лишь косметически. Формулировки менялись, интонация тоже, однако ядро идеи оставалось прежним.

Это важное наблюдение для всех, кто использует LLM в контентных конвейерах: открытый запрос «придумай интересную тему» не гарантирует реального разнообразия, даже если ответы на вид кажутся свежими. По ходу разборки выяснилось, что часть проблемы сидела не только в промпт-инжиниринге, но и в собственной конфигурации Gemini. Именно этот слой сначала выпал из поля зрения, хотя он напрямую влияет на распределение ответов и склонность модели повторять безопасные шаблоны.

В таких системах ошибка редко живёт в одном месте: промпт, параметры генерации и общая логика пайплайна усиливают друг друга. Поэтому попытка «долечить» всё одной магической формулировкой обычно лишь маскирует симптом, но не убирает причину. Ситуация показала и ещё одну практическую проблему автоматизации редакции: обычная ручная вычитка не ловит такие сбои, если смотреть на материалы по одному.

Нужен контроль на уровне серии — сравнение тем за месяц, проверка на смысловую близость, журнал уже опубликованных углов и хотя бы простая метрика разнообразия. Иначе модель будет производить «нормальные» тексты, которые в сумме размывают рубрику и создают ощущение, что блог снова и снова спорит сам с собой об одном вопросе. После четырёх раундов экспериментов команда пришла к более приземлённому выводу: задачу генерации тем лучше не оставлять полностью на усмотрение модели.

Вместо открытого «придумай вопрос» генератор перевели на детерминированную ротацию заранее собранного и отредактированного пула тем. Такой подход менее эффектен с точки зрения «креативности», зато даёт то, что реально нужно редакции, — предсказуемое покрытие разных сюжетов, отсутствие зацикливания и контроль над тематическим балансом. При этом для исправления не понадобились ни файнтюнинг, ни RAG, ни миграция на другую модель.

Главный вывод здесь простой: если LLM встроена в регулярный редакционный процесс, её надо оценивать не по одному удачному ответу, а по серии выпусков. Mode collapse в прикладных задачах часто выглядит не как резкая поломка, а как медленное сужение диапазона идей, которое заметно только на дистанции. Поэтому для рубрикаторов, генераторов тем и других повторяющихся сценариев надёжнее работает не максимальная свобода модели, а комбинация кураторского списка, жёсткой ротации и периодической проверки на семантические повторы, а решения лучше принимать заранее, до того, как повтор превратится в устойчивую редакционную привычку.