[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-alignment-tax::ru":3,"gloss-cluster-alignment-tax::ru":26,"gloss-next-alignment-tax::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"alignment-tax","core-ai","Налог на выравнивание (Alignment Tax)","Налог на выравнивание — те возможности, которыми вы жертвуете, чтобы сделать модель безопаснее и предсказуемее. Обучение модели отказывать во вредных запросах, осторожничать с сомнительными утверждениями и вежливо следовать инструкциям может заодно сделать её более осторожной, более многословной или чуть слабее в чистом решении задач, чем невыровненная версия той же модели. Этот разрыв — полезность или производительность, отданные в обмен на безопасность и предсказуемость, — и есть налог. Для SaaS-разработчиков он проявляется как избыточные отказы (модель отклоняет совершенно законный запрос, потому что он похож на что-то рискованное), лишние оговорки или выхолощенные ответы. Правильная реакция — не вырезать безопасность, а замечать, когда выравнивающее поведение мешает вашему сценарию, и решать это чёткими системными промптами, аккуратным дизайном промптов или моделью, настроенной под ваш домен. Поставщики со временем стремятся уменьшить налог на выравнивание, так что модель, которая год назад слишком часто отказывала, сегодня может спокойно обработать тот же запрос — перепроверяйте, а не полагайтесь на то, что прежнее поведение всё ещё в силе.","Налог на выравнивание — возможности, которыми жертвуют ради безопасности модели: больше осторожности и оговорок, многословие, чуть слабее решение задач.",null,[11,14,17,20,23],{"slug":12,"name":13},"guardrails","Ограждения (Guardrails)",{"slug":15,"name":16},"instruction-tuning","Инструктивное дообучение (Instruction Tuning)",{"slug":18,"name":19},"red-teaming","Red-teaming (Красная команда)",{"slug":21,"name":22},"rlhf","Обучение с подкреплением на основе обратной связи от человека (RLHF)",{"slug":24,"name":25},"system-prompt","Системный промпт",[27,31,35,38,41,45,48,51,54,57,60,63],{"slug":28,"category":5,"name":29,"updated_at":30},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":30},"attention","Внимание (Attention)",{"slug":39,"category":5,"name":40,"updated_at":34},"beam-search","Лучевой поиск",{"slug":42,"category":5,"name":43,"updated_at":44},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)","2026-08-24T02:46:37+00:00",{"slug":46,"category":5,"name":47,"updated_at":44},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":34},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":44},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":30},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":34},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":30},"diffusion-model","Диффузионная модель (Diffusion Model)",{"slug":64,"category":5,"name":65,"updated_at":44},"direct-preference-optimization","Прямая оптимизация предпочтений (DPO)"]