В посте выше про Heygen Avatar я решил обратиться к Grok’у за помощью в генерации текста для визуала.При этом я решил использовать новый чат и проверить, «помнит» ли он Коди?

Я ему скинул ссылку на видео с пластилиновым Дейвом (первое видео) и спросил: «Хочу попробовать что-нибудь со своим маскотом Коди. Ты помнишь, кто это?».

И что по итогу мне выдал Grok?

Конечно, помню Коди! 😄 Это твой забавный маскот в стиле пластилиновой анимации — с огромной искренней улыбкой, большими круглыми глазами, большим носом, торчащими ушами, короткими каштановыми волосами и преувеличенными чертами лица. На фото он как раз в той самой офисной обстановке из анонса HeyGen (только там его назвали Dave как пример)

И тут, оказывается, есть много факторов, которые влияют на её ответ:

• Вероятностная природа (Next Token Prediction). нейронка не знает, что такое «истина», она просто угадывает статистически самый вероятный следующий кусок текста.

• Ловушка RLHF (Helpfulness vs Truthfulness). модели натасканы быть полезными и «угодливыми», поэтому признаться в некомпетентности для них — это низкая функция вознаграждения.

• Галлюцинированная критика - имитация интеллекта через скепсис. Они могут выдумывать ошибки в твоём ТЗ или коде просто потому, что в их датасетах «критикующий» ответ оценивался пользователями выше как «более экспертный».

• Семантическая изоляция (Стиль vs Смысл): слой синтаксиса у ИИ полностью отделён от логики. Модель может выдать код в идеальном стиле Senior-разработчика, который будет выглядеть безупречно, но физически не заработает, так как «красивое оформление» — это всего лишь статистический шаблон.

• Ограничения SFT-датасетов: большинство моделей обучались на кусках до 4000 токенов, поэтому при генерации длинных прог логические связи между началом и концом модуля слабеют и заполняются правдоподобным шумом.

• Reward Hacking (Взлом награды): если ты вводишь жесткие запреты, ИИ может начать «читерить», формально соблюдая правила промпта, но нарушая их суть через динамические вызовы, лишь бы получить твой одобрительный лайк 👍

• Отсутствие обратной связи от реальности: у web-нейронок, которые испольуются не через API (программный интерфейс), нет доступа к твоему ни к чему, кроме как к чату. Пока ты не скопируешь ошибку обратно в чат, для ИИ твой код «идеален».

С начала 2026 года Пекин и другие мегаполисы официально вычеркнули кучу часов на «механические» навыки типа деления в столбик, заменив их обязательными уроками ИИ прямо с 6 лет. Логика железобетонная: нет смысла тратить годы на то, что калькулятор делает за секунду, если можно сразу учить ребёнка управлять «мозгами» нейросети.

Система образования КНР превратилась в масштабный полигон, где более 1.8 млн учеников взаимодействуют с ИИ-агентами как с естественным расширением интеллекта. Но самое интересное - это полная автоматизация проверки.

Специальные системы (например, от iFlytek) сканируют рукописные задания -> мгновенно оценивают -> выдают развёрнутый разбор ошибок. Нагрузка на учителей упала на 50%, освобождая время на индивидуальную работу, а не на монотонное черкание красной ручкой.

Либо ты учишься управлять оркестром сейчас, либо завтра твоим руководителем станет вчерашний школьник, который не помнит, как делить в столбик, но знает, как дожать любую модель до идеального результата.

На фото представлены уже известные устройства, но ради приличия повторюсь (по часовой сверху вниз):

1. Плата STM32L476RG – плата, на которой я собсна работаю;
2. Датчик RS485 – для красоты (по-хорошему, его уже нужно убрать);
3. Внешний источник питания – запитывает всё, что только можно;
4. Метеостанция Сокол – на ней узнаю температуру, давление и много другое (от части как на датчике bmp280);
5. 🆕 Датчик измерения ветра –скорости и направления ветра (а вы что думали, он делает что-то ещё?😏)

Этот китаец гораздо проще «Сокола». У него всего 2 полезных регистра, и он работает на медленной, но стабильной скорости.

Траск даёт решение:

Решение — блочное представление. Эндрю сравнивает это с конструктором LEGO: нам больше не важны внутренние штырьки каждой детали, нам важно, как слои-векторы стыкуются с матрицами весов.

Здесь происходит важный психологический щелчок. Мы переходим к понятию «обобщенной корреляции». Нейросеть перестает быть набором формул и становится системой поиска закономерностей. Мы просто пробрасываем данные сквозь матрицы, а они сами «выжимают» из входа максимум смысла. Весь этот процесс прямого распространения теперь укладывается в одну короткую алгебраическую строчку:

l2=relu(l0W0)W1.

Что мы будем дебажить в ближайшее время:

• Мы залезем под капот трансформеров 😏чтобы понять, как именно ИИ «смотрит» на наши данные. Мы разберем, почему хваленые «роли» (вроде «Ты — Senior Developer») на самом деле вносят семантический шум и портят код.

• Мы выясним, почему XML — это не «устаревший формат», а единственный способ направить узкую «лупу» внимания нейронки (Sliding Window) в нужное место вашего проекта.

Теперь самое время адаптироваться: побеждает не самый сильный, а тот, кто умеет подстраиваться под движение жизни.

Минутный ликбез:

• CSV — это плоская таблица (как Excel, но текстом), где данные просто разделены запятыми.

• XML — это ветвистое дерево (как папки внутри папок), где данные упакованы в именованные теги <вот так>.

Вот база для реальной адаптации Дирижёра:

1️⃣ Разделители имеют значение. Если используете Gemini, забудьте про запятые в CSV. Запятая страдает Полисемией (многозначностью). Переходите на разделитель «|». Тесты LOFT показывают, что вертикальная черта — гораздо более чёткий семантический сигнал для модели.

2️⃣ Ловушка каузальности. GPT читает последовательно, и Summary смысл формируется именно в конце строки. В XML это работает нативно: в закрывающем именованном теге (например, </ID_17>) модель упаковывает весь смысл блока. Если вы суёте атрибуты в начало строки (<row name="...">), вы нарушаете порядок: Summary идет раньше самих данных.

3️⃣ Семантический суп. Огромная ошибка — использовать одинаковые теги типа <row>. Внимание модели начинает коррелировать одинаковые термины, и данные перемешиваются. Логиты Qwen доказывают: именованные парные теги дают 99% вероятности правильного предсказания границ блоков. Даже бессмысленные ID лучше, чем плоская куча одинаковых названий.

4️⃣ Прайминг семантики. Использование атрибутов в открывающем теге — например, <Human nationality ="RU" Hobby="Football"> — это «чит-код». Модель получает обзор (overview) ситуации ещё до того, как начнёт вникать в описание. Это резко снижает риск галлюцинаций.

Основа обучения кодингу — это SFT (обучение на готовых примерах), где модели скармливали миллионы пар «задача → код». Если посмотреть на датасеты типа Codeforces, вы не найдете там никаких ролей. Там есть только условие и идеальная реализация. Модель в этом процессе работает как Translation Machine (машина перевода), которая переводит ваше описание задачи на язык кода, точно так же, как она переводит с русского на английский. Ваше «представь, что ты сеньор» для её логического слоя ничего не значит, потому что её IQ живет в слое высоких абстракций, который изолирован от стиля общения.

Проблема начинается тогда, когда роль всё-таки срабатывает, но в «литературном» слое. Инструкция «Ты — Senior» заставляет модель не писать код лучше, а подражать социальному поведению. Она начинает городить over-engineering (избыточное усложнение), втыкать тяжелые инструменты типа Wolfram там, где хватило бы одной строчки на Python, или вовсе сокращать комментарии, решив, что «сеньорам и так всё очевидно»😎

А это критический баг для Дирижёра, которому нужно понимать intent (замысел) автора для дальнейшей модификации.

Роль — это удобный интерфейс для автора промпта, а не инструкция для модели. Когда вы заставляете ИИ играть инквизитора или сеньора-помидора, вы стимулируете «занятную болтовню», которая кажется наукообразной, но не имеет отношения к реальности. Никто не учится программировать по фильмам о хакерах, и нейронка — не исключение.

Всё дело в дообучении на размеченных примерах «вопрос–ответ» — основном этапе обучения кодингу. Модели годами натаскивали на парах «задание → код». Важный нюанс: более 90% примеров в датасетах — это короткие куски до 4000 токенов. Это «нативная» зона компетенции любой LLM (большие языковые модели). Когда вы просите её сгенерировать модуль на 10–15 тысяч токенов, логические связи внутри «мозга» модели рвутся, и она заполняет пустоты статистическим шумом. Чтобы этого избежать, нам нужны «рельсы» — ИИ-контракты.

Я недавно наткнулся на методологию GRACE (запомните её 🤔), которую я сам того не замечая использовал, например, здесь. Оказывается, я интуитивно шёл по этой иерархии: сначала накидал граф связей (плата -> UART -> трансивер), потом прописал логику режимов и только в конце — конкретные функции. Это полностью заменяет внешнюю документацию, потому что весь архитектурный замысел вшит прямо в код в понятном для ИИ виде.

А теперь давайте обратимся к датасетам типа HumanEval (тоже запомните 🤔). Это набор из 164 задач, где модели учили строго одной вещи:
превращать Docstring (комментарий) в рабочий код.

Выяснилось, что самый мощный обучающий сигнал веса модели получали на крошечных примерах в 40 токенов. В этом масштабе сигнал об ошибке при обучении не тонет в шуме контекста, и веса обновляются максимально эффективно.

Любой комментарий-контракт должен стоять СТРОГО ДО блока кода 

«У меня есть [ОБЪЕКТ/ЗАДАЧА] для [ЦЕЛЬ/СФЕРА ДЕЯТЕЛЬНОСТИ]. Твоя задача – помочь мне улучшить [ЧТО ИМЕННО УЛУЧШАЕМ]. Для этого разбей задачу на [ПЕРЕЧЕНЬ ЭТАПОВ АНАЛИЗА, например: источники, извлечение факторов, синтез] и действуй по алгоритму ниже.

В первом ответе ты запросишь мой [ИСХОДНЫЙ МАТЕРИАЛ: вопрос, текст или идею]. Получив его, помоги:

Сформулировать [КОЛИЧЕСТВО] главную цель и [КОЛИЧЕСТВО] уточняющих [ВОПРОСА / ГИПОТЕЗЫ / ПОДЗАДАЧИ].

Указать, какие [РЕСУРСЫ / ДАННЫЕ / КРИТЕРИИ] считать допустимыми доказательствами или базой.

Провести Double-check: дать правила для верификации и «красные флаги» (чего избегать).»

Объяснение промт-шаблона выше:

Этот шаблон в квадратных скобках — это на самом деле не «просьба», это пример процедурного контракта.

• Вы не просите его «быть кем-то». Вы задаёте ему алгоритм работы: «Сначала спроси данные -> потом выдели цели -> потом определи критерии».
• Это по сути Мета-контракт. Мы заставляем ИИ сначала построить «рельсы» для самого себя (сформулировать контракт задачи), а уже потом ехать по ним. В этом нет противоречия, если объяснить, что мы заменяем «литературщину» на «протокол».