Главная проблема нейронок в мире — это лично ты

В песне замечательного Захара Борисовича Мая были слова: «Главная проблема музыки в России — это лично ты, потому что ты слушаешь говно».

И эта строчка очень хорошо рифмуется с одной из возможных причин проблем новой GPT
Её тексты кажутся многим более дурацкими, скучными, неинтересными и нечеловечными, чем у прошлых моделей, таких как 4o или o3 (например, https://www.pcmag.com/opinions/sorry-openai-in-my-early-tests-gpt-5-vs-gpt-4o-isnt-any-better).

Многие из моего круга общения, люди на Reddit и Hacker News, а также сам Сэм Альтман, глава OpenAI, говорят, что запуск получился херовым и ChatGPT был довольно сырым.

Так вот одна из гипотез: новый GPT-5 учился на свежем корпусе интернет-текста, куда мы как человечество уже успели нагенерировать кучу тупого контента старыми нейронками — ChatGPT-2, ChatGPT-3 и прочими дипсиками. Эти модели, будучи ещё довольно слабыми, выдавали огромное количество плохих текстов: галлюцинировали, предлагали несуществующие решения, генерировали бессмысленные ответы.

Судя по последним исследованиям, новые модели берут очень много обучающего материала с Reddit (https://www.instagram.com/p/DNFwNwSsRWC/). Это логично: условно, в Википедии может появляться три новые статьи в день, а на Reddit — 333 больших комментария. Но у модели, как и у человека, нет никакого инструментария, чтобы понять, сколько процентов из этих 333 комментариев тоже сделала модель (и на них не надо учиться)

В итоге в обучающем датасете оказалось много «нейро-херни» — сотни тысяч текстов низкого качества, которые сами же нейросети и создали. Если GPT-4o и o3 обучались в основном на текстах, сгенерированных до 2024 года, когда таких мусорных данных было меньше, то GPT-5 впитал уже целый пласт плохого, искусственного контента.

Это вообще один из вызовов для Machine Learning и обучения языковых моделей — как отделить хуйню, которую написали первые нейронки, от текстов, которые написали условные писатели. Сейчас нет понятного лёгкого решения, которое точно поможет отделить одно от другого. Поэтому мы учим нейронки на всём, что есть, и часто кладём их просто в говно (https://www.nature.com/articles/s41586-024-07566-y).

В итоге получается интересный парадокс: старые модели учились на Достоевском и Сократе, а новые модели — это старые модели, которые научились на описаниях блюд в «Макдональдсе» и рецептах приготовления свиных крылышек.

Вместо выводов пойду почитаю свежую книжку Сорокина, либо старого Пелевина, чего и вам желаю 💚