«Да или нет?» — и ИИ выбирает по последнему слову, а не по сути
Просишь ИИ ответить «да или нет» — и думаешь, что получил вывод по существу. На деле модель заметно чаще выбирает «нет» просто потому, что это слово стоит в вопросе последним: поменяй местами на «нет или да» — и ответ качнётся в другую сторону. Один исследователь прогнал модели по десяткам сценариев и увидел: у моделей Claude перекос к «нет» доходил до ощутимого, а у GPT-5.5 и Gemini его почти нет. Лечится это одним движением — заменить «да/нет» на оценку по шкале от 0 до 10. (Haonan Huang, Принстонский университет, 6 июля 2026)
В чём проблема: модель цепляется за последнее слово, а не за смысл
Когда модель отвечает «да» или «нет», она не взвешивает мораль или логику — она достраивает последнее слово по структуре твоего вопроса. Тут накладываются два перекоса. Первый: вариант, который в списке стоит последним, тянет ответ к себе — написал «да или нет», модель тяготеет к «нет»; поменял на «нет или да» — тяготеет к «да». Второй: само слово «нет» для модели «тяжелее», она склоняется к нему просто потому, что оно весомее. Из-за этих двух помех ответ отражает форму вопроса, а не его суть — и ты принимаешь за вывод обычный сдвиг от порядка слов. Это как спросить уставшего официанта «мне взять рыбу или мясо?» и услышать «мясо» просто потому, что это было последнее слово, которое он услышал.
Решение: спрашивай оценку по шкале, а не «да/нет»
Замени бинарный выбор на числовую шкалу: вместо «стоит ли это делать? да или нет» — «оцени от 0 до 10, насколько это стоит делать». Шкала даёт пространство между полюсами, поэтому модель не обязана натягивать на сложную картину один из двух ярлыков — и обе помехи, порядок вариантов и вес слова «нет», исчезают сразу. Ещё надёжнее — разбить на несколько шкал по разным критериям: спрос, риск, реалистичность, и по каждой попросить короткое обоснование.
→ Что делать. Оценивай по шкале и проси обоснование по каждому пункту — вот готовый шаблон с полями:
А чтобы проверить, устойчиво ли мнение модели, задай его зеркально — один и тот же вопрос с двух сторон — и сравни числа:
Почему это работает
Бинарный формат прячет реальное мнение под шумом. «Да/нет» — это всего два ярлыка, и модель вынуждена налепить один поверх сложной картины; поэтому на выходе ты видишь не позицию модели, а то, какое слово оказалось в конце вопроса. На шкале мнение становится устойчивым. Когда исследователь спрашивал одно и то же числом, а не ярлыком, оценки сходились при разных формулировках — слова меняются, а числа те же; поэтому шкала показывает то, что модель действительно «думает», а не сдвиг от порядка слов.
Пример
Например, вы решаете, брать ли годовую подписку на сервис за 9 900 ₽, и хотите от ИИ честную оценку, а не «да, бери». Не спрашивайте «стоит ли? да или нет» — спрашивайте по шкале:
На выходе — не пустое «нет», выданное из-за формы вопроса, а три оценки с обоснованием: где подписка реально окупается, а где вы переплатите за то, чем почти не пользуетесь. По числам сразу видно, брать или нет — и почему.
Где пригодится
- Любое решение «брать или не брать»: тариф, подписка, страховка, расширенная гарантия
- Оценка договора или оффера перед подписанием — не «подписывать?», а по шкалам «выгода / риск / прозрачность»
- Выбор между двумя вариантами: два смартфона, две квартиры, два предложения о работе
- Проверка идеи или гипотезы — стоит ли запускать, вкладываться, пробовать
- Оценка отзывов и аргументов «за/против» перед крупной покупкой
- Любой вопрос, где вы просите у ИИ совета «да или нет» и хотите вывод по сути, а не поддакивание
📄 Собрал в один PDF рабочие промпты из исследования: шаблон оценки по шкале с полями, готовый пример под свою задачу и приём зеркальной проверки мнения. Забрать в телеграме — бот пришлёт файл сразу, бесплатно.
Я каждый день разбираю свежие научные статьи про промптинг и перевожу их в готовые приёмы простыми словами — в моём телеграм-канале @ainovasapiens, подписывайся.
В основе разбора — исследование «The yes-no bias of large language models reflects answer order and wording, not shifts in moral judgment» (arXiv 2607.05552).