[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-instruction-tuning::ru":3,"gloss-cluster-instruction-tuning::ru":20,"gloss-next-instruction-tuning::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"instruction-tuning","prompt-eng","Инструктивное дообучение (Instruction Tuning)","Инструктивное дообучение — это процесс дообучения, применяемый разработчиками моделей (обычно не самими разработчиками SaaS напрямую), в котором базовая языковая модель — предобученная исключительно для предсказания следующего токена на огромных объёмах интернет-текста — дополнительно обучается на курируемом наборе данных пар «инструкция-ответ» (промпт, описывающий задачу, в паре с качественным ответом, который корректно её выполняет), чтобы модель научилась надёжно интерпретировать и следовать инструкциям на естественном языке, а не просто продолжать текст стилистически правдоподобным образом. Этот шаг — критическое различие между сырой базовой моделью, которая склонна продолжать промпт в статистически вероятном направлении (иногда полностью игнорируя инструкцию и просто расширяя текст, будто это документ), и «инструктивной» или «чат»-моделью, специально обученной распознавать «это задача, которую я должна выполнить», и отвечать полезно и прямо. Каждая потребительская чат-модель (Claude, ChatGPT, Gemini) прошла через инструктивное дообучение (как правило, в сочетании с дальнейшими техниками выравнивания, такими как RLHF или Constitutional AI) — именно поэтому эти модели надёжно отвечают на «Резюмируй эту статью» реальным резюме, а не продолжением текста, будто пишут более длинную статью. Для разработчиков SaaS инструктивное дообучение в основном актуально как фоновое знание, объясняющее, почему промпт-инжиниринг работает именно так: поскольку модели обучены распознавать и следовать инструкциям, хорошо сформулированные, явные инструкции в промпте гораздо надёжнее расплывчатых предложений, и понимание этого процесса обучения помогает объяснить наблюдаемое поведение модели — например, почему модели заметно лучше реагируют на промпты, сформулированные как чёткие директивы («Извлеки итоговую сумму из этого счёта»), чем на неявные или окольные формулировки («Интересно, какая итоговая сумма может быть в этом счёте»). Это отличается от самого промпт-инжиниринга (который происходит во время инференса, с фиксированной моделью) и от дальнейшего кастомного дообучения (которое SaaS-компания может выполнить поверх уже инструктивно дообученной модели, чтобы ещё больше специализировать её для узкой задачи). Разобранный пример: базовая (не прошедшая инструктивное дообучение) модель, получив промпт «Переведи следующее на французский: Hello, how are you?», может ответить, продолжая списком дополнительных примеров переводов («Переведи следующее на испанский: ...»), а не фактически выдав французский перевод, потому что она сопоставляет паттерн «это похоже на список упражнений по переводу», а не распознаёт задачу для выполнения. Тот же промпт, отправленный инструктивно дообученной модели вроде Claude, надёжно возвращает напрямую «Bonjour, comment allez-vous?», потому что инструктивное дообучение специально научило модель распознавать формулировку задачи в повелительном наклонении и отвечать выполнением задачи, а не продолжением паттерна.","Инструктивное дообучение — процесс, дообучающий базовую языковую модель на парах «инструкция-ответ», чтобы она следовала командам.",null,[11,14,17],{"slug":12,"name":13},"fine-tuning","Дообучение (Fine-Tuning)",{"slug":15,"name":16},"in-context-learning","Контекстное обучение (In-Context Learning)",{"slug":18,"name":19},"prompt-engineering","Инженерия промптов (Prompt Engineering)",[21,25,28,31,35,38,41,44,47,50,53,56],{"slug":22,"category":5,"name":23,"updated_at":24},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":26,"category":5,"name":27,"updated_at":24},"automatic-prompt-optimization","Автоматическая оптимизация промптов",{"slug":29,"category":5,"name":30,"updated_at":24},"chain-of-density","Цепочка плотности (CoD)",{"slug":32,"category":5,"name":33,"updated_at":34},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":24},"chain-of-verification","Chain-of-Verification",{"slug":39,"category":5,"name":40,"updated_at":34},"chunking","Чанкинг (Chunking)",{"slug":42,"category":5,"name":43,"updated_at":34},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":45,"category":5,"name":46,"updated_at":34},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":48,"category":5,"name":49,"updated_at":34},"delimiter","Разделитель (Delimiter)",{"slug":51,"category":5,"name":52,"updated_at":24},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":54,"category":5,"name":55,"updated_at":24},"emotion-prompting","Emotion Prompting",{"slug":57,"category":5,"name":58,"updated_at":34},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)"]