Почему нейросеть отвечает по-разному на один и тот же запрос

Ситуация, из-за которой люди перестают доверять нейросетям: вы задали вопрос, получили отличный ответ, обрадовались, а через час задали тот же вопрос заново — и ответ пришёл другой. Не хуже и не лучше, просто другой: другая структура, другие акценты, другой объём. Иногда пропало именно то, ради чего всё затевалось.

Первая мысль — что-то сломалось или модель «испортилась». На самом деле это нормальное поведение, заложенное в саму конструкцию. Разберём, откуда берётся разброс, и что с ним делать, если вам нужен повторяемый результат, а не каждый раз новый.

Модель не достаёт ответ, а выбирает продолжение

Проще всего представить нейросеть как справочник: есть вопрос, есть правильный ответ, модель его находит и показывает. Тогда одинаковые вопросы обязаны давать одинаковые ответы, а любое расхождение выглядит как сбой.

Работает это иначе. Языковая модель обучена предсказывать, какое слово правдоподобнее всего идёт следующим. Она читает ваш запрос и достраивает продолжение слово за словом. И на каждом шаге у неё не один кандидат, а множество подходящих: после «Начнём с» одинаково уместны «главного», «простого», «примера», «того, что». Модель прикидывает, насколько каждый вариант вероятен, и берёт один из вероятных — не обязательно самый вероятный.

Дальше цепная реакция. Одно другое слово в первом предложении меняет контекст для второго, второе — для третьего, и через абзац два ответа расходятся уже заметно. Не потому, что модель передумала, а потому что она с самого начала шла по одному из многих допустимых путей.

Отсюда главный вывод, который снимает большую часть недоумения: у вопроса нет одного «сохранённого» ответа, который модель то показывает, то не показывает. Есть множество ответов, которые она считает уместными, и каждый запуск — это выбор из этого множества. Если ваш запрос описывает задачу широко, множество огромное, и разброс будет большим. Если запрос жёстко очерчивает результат, множество сжимается, и ответы становятся похожими друг на друга.

Если хочется разобраться в самой механике подробнее, есть отдельный разбор — что такое нейросеть простыми словами. Там же объясняется, почему модель иногда уверенно выдаёт неправду: это следствие ровно той же логики выбора правдоподобного продолжения.

Что ещё меняется, кроме самой генерации

Разброс — не единственная причина, по которой «тот же запрос» даёт другой результат. Часто запрос на самом деле не тот же.

Контекст диалога. Модель видит не только последнее сообщение, но и всю переписку до него. Тот же вопрос, заданный в чистом чате и в конце длинного обсуждения, — это разные входные данные. В диалоге, где вы уже обозначили тему, стиль и аудиторию, ответ будет заметно точнее. В новом окне модель начинает с нуля и заполняет пробелы усреднёнными предположениями.

Мелкие расхождения в формулировке. «Напиши кратко» и «напиши покороче» кажутся одним и тем же, но это разный текст на входе, и продолжения у них разные. Люди редко повторяют запрос дословно, а модель реагирует именно на буквы.

Разные модели. Ответ ChatGPT и ответ Claude на один вопрос будут отличаться сильнее, чем два ответа одной модели. Это разные системы, обученные по-разному. Если вы вчера работали в одном окне, а сегодня открыли другое, половина расхождений объясняется просто выбором модели. В каталоге Most AI текстовых моделей больше двадцати, и переключение между ними занимает пару секунд — это удобно, но требует помнить, в какой из них вы сейчас работаете.

Обновления. Модели время от времени обновляются. Ответ, полученный полгода назад, и ответ сегодня могут различаться просто потому, что версия другая.

Когда разброс полезен

Прежде чем бороться, стоит отметить: вариативность — это не только помеха. Она же делает нейросеть полезной там, где нужен выбор.

Если вы придумываете заголовки, названия, идеи для постов, варианты поздравления или сюжет для ролика, повторяемость была бы вредной. Вы специально нажимаете «сгенерировать» несколько раз, чтобы получить непохожие варианты и выбрать лучший. То же с картинками: перегенерация с тем же промтом — стандартный рабочий приём, а не признак неисправности.

Мешает разброс в другой ситуации: когда результат нужен в конкретном виде и должен быть таким же завтра. Отчёт по шаблону, описания товаров в одном стиле, письма клиентам по единой структуре, конспекты лекций с одинаковыми разделами. Здесь каждый новый вариант — это лишняя работа по приведению текста к нужному виду.

Как получать предсказуемый результат

Хорошая новость: разброс сжимается обычными средствами, без всяких настроек. Чем подробнее описан желаемый результат, тем меньше у модели свободы, и тем ближе друг к другу получаются ответы.

Опишите формат, а не только тему

Самый действенный приём. Скажите, из каких частей состоит ответ, в каком порядке они идут и какого объёма. Модель почти всегда следует явно заданной структуре, и именно структура отвечает за ощущение «каждый раз по-разному».

Напиши описание товара для карточки в магазине.
Структура строго такая:
1) заголовок — до 60 знаков;
2) абзац на 3-4 предложения о том, для кого товар;
3) пять пунктов списком «характеристика — что это даёт покупателю»;
4) финальная строка с призывом, одно предложение.
Без вводных фраз, без эмодзи, без слов «инновационный» и «уникальный».

Запреты работают не хуже требований. Если модель регулярно добавляет то, что вам не нужно — вступление, вывод, извинения, — напишите об этом прямо.

Покажите пример нужного ответа

Описание словами всегда неточное, а пример не оставляет места для трактовок. Дайте один готовый образец — хотя бы короткий, хотя бы написанный от руки — и попросите повторить его форму на новых данных.

Вот образец, как должно выглядеть описание:

Название: Кружка керамическая, 350 мл
Для кого: тем, кто пьёт чай за рабочим столом и не любит,
когда напиток остывает за десять минут.
— Толстые стенки: дольше держит температуру
— Устойчивое дно: не опрокидывается от случайного движения

Сделай по этому же образцу описания для трёх товаров ниже.
Не меняй порядок блоков и длину частей.

Один образец обычно снимает больше вопросов, чем абзац объяснений. Два-три образца делают форму ещё устойчивее — модель видит, что в них общего, и повторяет именно это.

Продолжайте диалог вместо новых запросов

Самая частая ошибка звучит так: ответ почти хороший, но не идеальный — человек закрывает окно, открывает новое и пишет запрос заново, надеясь, что в этот раз повезёт. Так вы каждый раз играете в лотерею с нуля.

Правильнее сказать модели, что именно поправить, прямо в том же диалоге. Тогда она работает не с чистого листа, а с уже готового текста, и правит точечно.

Хорошо, оставляем структуру и первый абзац как есть.
Замени примеры на бытовые, сократи третий пункт вдвое,
последнюю строку сделай без восклицательного знака.
Остальное не трогай.

Формулировка «остальное не трогай» помогает: без неё модель нередко переписывает заодно и то, что вас устраивало. Подробнее про такие мелочи — в разборе десяти ошибок новичка в промтах.

Сохраните удачный запрос как шаблон

Если запрос выдал именно то, что нужно, сохраните его текст целиком — в заметки, в документ, в закреплённое сообщение. В следующий раз подставьте новые данные и отправьте дословно. Это самый простой способ добиться повторяемости: одинаковый вход даёт заметно более близкие ответы, чем каждый раз заново сочинённая формулировка.

Со временем у вас накопится небольшой набор таких заготовок под регулярные задачи. Это скучно звучит, но именно так люди перестают жаловаться на непредсказуемость.

Разбивайте большие задачи на шаги

Чем длиннее и сложнее ответ, тем больше в нём мест, где модель может свернуть не туда. Запрос «проанализируй, сравни и напиши итоговый текст» почти гарантированно даст разные результаты при повторе. Разделите: сначала анализ, потом сравнение по готовому анализу, потом текст. Каждый шаг короче, вы проверяете его до перехода к следующему, и накопленной случайности меньше.

Картинки и видео: та же логика

С визуальными моделями всё устроено похоже: один и тот же промт даёт разные кадры, и это ожидаемо. Фиксируется результат теми же средствами — подробным описанием сцены, ракурса, света и стиля, а также опорным изображением, если модель умеет с ним работать.

Если нужен один и тот же герой в серии кадров, полагаться на текстовое описание внешности не стоит: разброс съест сходство. Двадцать раз написать «женщина сорока лет с тёмными волосами» — и получить двадцать разных женщин. Работайте от опорного изображения, это разбирается отдельно в материале один персонаж во всех кадрах.

Ещё одно практическое следствие: раз перегенерация — часть нормального процесса, закладывайте её в расчёт заранее. Одна картинка почти никогда не выходит с первого раза, а видеоролик тем более. Стоимость запуска у моделей разная, и разница между «сделать пять попыток» и «сделать двадцать» получается ощутимой — актуальные цены смотрите в прайсинге.

Короткий чек-лист

• Опишите структуру ответа: блоки, их порядок, объём каждого.
• Укажите, для кого текст и в каком тоне.
• Приложите образец нужного результата, хотя бы один.
• Перечислите, чего быть не должно.
• Правьте ответ уточнениями в том же диалоге, а не новым запросом.
• Удачный запрос сохраните и в следующий раз отправьте дословно.
• Длинную задачу разбейте на шаги и проверяйте каждый.

Частые вопросы