Статистика привычек 12 языковых моделей: анализ начала и конца текстов

# Статистика привычек 12 языковых моделей: анализ начала и конца текстов

Исследование цифровых особенностей генерации текста позволяет лучше понимать, как крупные языковые модели работают в практических условиях. В рамках анализа 84 рабочих заданий, размещенных в открытом репозитории *humanizer-ru*, автор сравнил поведение 12 моделей от ведущих технологических компаний, включая Google, Anthropic, OpenAI и Alibaba.

Целью эксперимента не было сравнение качества контента, а фиксация специфических «рыцарских черт» алгоритмов: как именно они приветствуют пользователя и как завершают диалог.

Характерный старт и финал: «Вот» и «Если нужно»

Одной из самых заметных особенностей стала работа модели Gemini 4 Argon. Анализ показал, что в 90% случаев (9 из 10) ее ответы начинаются с вводной фразы «Вот». Это выражалось в вариациях вроде «Вот готовый вариант…», «Вот проект письма» или «Вот структура для лендинга». Такая конструкция, хотя и уместна в устной речи, в автоматизированных рабочих текстах часто создает эффект лишнего посредника, который пользователь уже не читает.

Авторы подчеркивают, что подобные формулировки, а также восклицательные знаки (у Gemini их в среднем 2,7 на тысячу знаков против 1,1 у остальных моделей), могут быть признаками «роботизированности». Однако важно разделять стилистику модели и фактические возможности. Генерация нескольких вариантов ответа, которое встречается у Gemini в 4 случаях из 84, также относится к этой категории поведения, а не к ошибке в контенте.

Особенности завершающих фраз

Если Gemini демонстрирует активность в начале диалога, то в завершающих фразах чаще всего проявляют себя Kimi K3 и Claude Sonnet 5.5.

Kimi K3 в 71% анализируемых случаев (5 из 7) предлагала пользователю что-то доработать. Типичная фраза звучит так: «Если нужно, могу сделать объявление короче, официальнее или добавить контактный телефон». Такие предложения, ориентированные на заказчика, часто не нужны в самом финальном тексте, предназначенном для публикации или отправки.

Claude Sonnet 5.5 демонстрирует схожую привычку в 60% случаев (6 из 10). Модель предлагает добавить разделы по настройке или уточнить параметры, используя обороты «Если хотите» или «Если расскажете». Наличие таких предложений в готовом документе является лишним «хвостом» от интерактивного диалога.

Стилевые маркеры: тире, эмодзи и жирный шрифт

Помимо структуры диалога, исследование выявило различия в визуальном оформлении и пунктуации. Авторы сравнили количество длинных тире, заголовков Markdown, эмодзи и использование жирного начертания.

Длинные тире, часто упоминаемые в дискуссиях как примета текстов машинной генерации, не выявили четкой корреляции с качеством текста. Среднее их количество у нейросетей составляет 2,5 на тысячу знаков. Для сравнения: у писателя Гиляровского в романе «Москве и москвичах» этот показатель равен 2,25, а у Герцена в «Былом и думах» — 1,59. Таким образом, модели по этому параметру сопоставимы с классической литературой, но не являются их точной копией.

Среди моделей выделяются следующие особенности:

* Mistral Large 4 использует самое количество жирного шрифта (8,5 на тысячу знаков) и заголовков (2,2). Это часто объясняется жанрами текстов, полученных моделью: README-файлы, вики-страницы и карточки товаров естественным образом требуют акцентирования внимания на ключевых данных. * MiniMax M3 лидирует в использовании эмодзи, ставя их 3,6 раза на тысячу знаков. Они встречаются и в заголовках, и внутри предложений, создавая более яркий, но иногда перегруженный стиль. * Qwen 3.8 Max демонстрирует высокую плотность жирного текста (7,7 на тысячу знаков), также обусловленную жанром задач (FAQ и инструкции).

Длина предложений также варьировалась значительно. Kimi K3 использовала самые длинные предложения в среднем по выборке (13 слов), тогда как Mistral Large 4 придерживалась более короткой структуры (8,3 слова). Общая средняя длина предложения по всем моделям составила 10,2 слова.

Методология и рекомендации по очистке текста

Исследование проводилось путем прямой отправки заданий через API без использования системных подсказок, характерных для веб-интерфейсов чат-ботов. Каждой модели было поручено от 4 до 10 текстов разного жанра: от письма клиенту до вакансии и пресс-релиза. Важно отметить, что количество задач влияло на выборку, поэтому результаты описывают портрет привычек конкретной модели в данных жанрах, а не ее глобальный рейтинг качества.

Для точности сравнения все метрики считались на каждую тысячу знаков. Это позволило честно сопоставить короткие посты для Telegram и длинные статьи для блога.

Что можно удалить перед публикацией

На основе данных анализа, редакторы и авторы могут улучшить качество контента, исключая типичные артефакты работы нейросетей:

1. Вступления: Удалять фразы, описывающие сам текст («Вот готовый вариант», «Ниже представлен проект»). Лучше добавлять такую просьбу в сам запрос модели: «дай только текст, без вступления». 2. Финальные предложения: Исключать предложения с предложениями о доработке («Если нужно…», «Могу добавить…»), так как в готовом продукте они излишни. 3. Разделители: Убирать горизонтальные линии «---», которыми модели отделяют основной текст от своих пояснений. 4. Лишние варианты: Если модель предоставила несколько вариантов, следует выбрать один и удалить служебные метки («Вариант 1», «contentReference»).

Все исходные данные и задания доступны в открытом репозитории GitHub проекта *humanizer-ru*, что позволяет независимо пересчитать показатели при необходимости. Механическая очистка текста от тире, как показала проверка на примере текстов Герцена и Гиляровского, может ухудшить качество контента, нарушая грамматические нормы, поэтому удаление длинных тире требует внимательного прочтения, а не автоматизации.

*Примечание редактора:* В мире, где генеративные модели становятся стандартом, понимание их цифровых «привычек» помогает создавать более чистый и человечный контент. Автоматизация облегчает работу, но финальная редакция остается за человеком.