LLM-модели застряли в шаблонном мышлении — стартап берётся это исправить

Claude, ChatGPT и Gemini демонстрируют одинаково предсказуемые ответы на схожие запросы — MIT Technology Review 1 июля 2026 года зафиксировало это явление как системное «групповое мышление» языковых моделей и рассказало о стартапе, разрабатывающем способы его преодоления.

Тест с числами: почему это не совпадение?

Попросите любой популярный чат-бот назвать случайное число от 1 до 10 — почти наверняка получите 7. Переспросите — услышите 3 или 4, ещё раз — 8 или 9. Паттерн воспроизводится с поразительной стабильностью у разных моделей от разных компаний.

Объяснение простое: все крупные LLM обучались на схожих веб-корпусах, где «7» как ответ на этот вопрос встречается чаще других чисел — люди и сами называют семёрку «самым случайным» числом. Дообучение с подкреплением (RLHF) дополнительно поощряет «безопасные» и ожидаемые ответы: те, которые чаще получают высокие оценки от людей-оценщиков. Модели буквально обучены давать предсказуемый ответ.

• Семёрка как «случайное» число — хрестоматийный пример шаблонности LLM
• Паттерн характерен для Claude (Anthropic), ChatGPT (OpenAI) и Gemini (Google DeepMind)
• Причина — пересечение обучающих данных и схожие RLHF-процедуры у всех крупных лабораторий

Где групповое мышление причиняет реальный вред

Числа — лишь наглядный симптом. В реальных задачах проблема масштабнее: модели воспроизводят одни и те же культурные клише, формулируют стратегические рекомендации похожим образом, предлагают схожие маркетинговые решения. Когда компания использует несколько LLM для «диверсификации взглядов», она зачастую получает перефразированные версии одного и того же мнения — с иллюзией независимости.

«Мы создали экосистему, в которой все модели смотрят на мир одинаково — потому что прочитали одно и то же», — констатирует MIT

Technology Review.

Особенно остро проблема стоит там, где ценна оригинальность: генерация научных гипотез, нестандартный контент, оценка нетривиальных рисков. «Независимая проверка» через несколько LLM в таких случаях даёт иллюзию разнообразия — но не само разнообразие.

Что предлагает стартап

MIT Technology Review описывает стартап, сосредоточенный на методах преодоления «шаблонного мышления» в языковых моделях. Точная архитектура решения не раскрыта. В индустрии между тем обсуждается несколько подходов к этой задаче:

• Тренировка на более разнообразных данных с намеренным включением нишевых точек зрения
• Управляемая стохастичность на этапе дообучения — поощрение вариативности как явной цели
• Ансамблевые системы, где несколько моделей с разными «предубеждениями» дискутируют между собой
• Метрики разнообразия ответов как обязательная часть evals — наравне с точностью и безопасностью

Что это значит

Если методам преодоления «группового консенсуса» удастся задать новый стандарт отрасли, это изменит то, как мы оцениваем AI-системы: разнообразие и независимость ответов станут такими же измеримыми требованиями, как точность или безопасность. Для корпоративных пользователей это открывает возможность получать от AI действительно разные перспективы, а не статистически усреднённый взгляд в разных формулировках.