Эксперимент на эксперимент

Так вот тут по ссылке https://author.today/post/876316 автор поставил эксперимент над ИИ, ну совсем не корректно поставил.

Потому, мы опять отдали слово ИИ, ну что бы демократия и все такое, если честно сама весь текст еще не прочла в процессе.

Опровержение критики ИИ на примере неудачного текста

Executive summary

В предоставленном вами файле есть сам исходный кейс: критик дал нейросети промпт про 2052 год, симуляции миров и команду «ныряльщиков», после чего получил текст главы с нарочито комедийной, местами вульгарной тональностью. Сам пример действительно слабый: он разваливает собственные ставки, подменяет научно-фантастическую интригу ситкомным балаганом, решает конфликт дешёвым физиологическим гэгом и выдает типичные признаки шаблонной ИИ-генерации. Но из этого не следует, что «ИИ не умеет писать»; из этого следует более узкое и гораздо более точное утверждение: без контроля задачи, без указания модели, без репродуцируемых настроек, без оценки и без постредактирования ИИ легко выдаёт слабый черновик. В самом файле не указаны ни модель, ни сервис, ни версия, ни дата генерации, ни параметры запроса. 

С методологической точки зрения такой кейс слаб как «доказательство против ИИ вообще». Современные LLM ведут себя недетерминированно, а их поведение меняется между моделями и даже между снапшотами одной семьи; поэтому качественная работа с ними требует не единичного анекдота, а набора тестовых кейсов, фиксированной конфигурации, промптов и последующей оценки на репрезентативных данных. OpenAI прямо пишет, что поведение моделей нужно измерять и постоянно подстраивать, а оптимизация выхода — это цикл из evals, prompt engineering и fine-tuning. 

Исследования и официальные документы показывают, что качество текста заметно улучшается, когда модель получают ясную роль, структурированные инструкции, примеры нужного выхода, релевантный контекст, внешний источник фактов и итеративную проверку результата. В работе InstructGPT модель 1.3B, дообученная с человеческой обратной связью, оказалась предпочтительнее для людей, чем исходная GPT-3 на 175B, при этом улучшив правдивость и снизив токсичность. В техническом отчёте GPT-4 OpenAI отдельно подчёркивает как рост надёжности и управляемости, так и сохраняющиеся галлюцинации и необходимость человеческой проверки. Для knowledge-intensive задач retrieval-augmented generation даёт более специфичный и более фактический текст, чем чисто параметрическая генерация. Кроме того, есть и практические примеры успешного применения: OpenAI пишет об использовании GPT-4 внутри компании для поддержки, продаж, модерации и программирования; независимое исследование по эссе обнаружило, что ChatGPT-генерации в среднем оценивались выше человеческих; Reuters в июне 2025 года сообщал, что GigaChat используют около 15 тысяч российских компаний. 

Ниже я сначала фиксирую исходный кейс, затем разбираю его по критериям, после этого показываю два публичных русскоязычных примера типичных слабых генераций, а затем — даю контраргументы к критике ИИ в целом и практический протокол, как получать от ИИ текст, который не стыдно публиковать. 

Исходный кейс критика

Исходный пример содержится в вашем файле: там приведены и промпт, и результат генерации. Промпт задаёт довольно сильную фантастическую завязку: 2052 год, симуляции миров, смертельные случаи, специальные спасатели-«ныряльщики», просьба написать пилотную главу. Сама генерация начинается заголовком «Утопия — это скучно, или Как мы чуть не стали вечными хиппи» и быстро уходит в фарсовый, подростково-иронический режим с дерзкими репликами, летающими пони, «ментальным борделем» и кульминацией вокруг туалетного рефлекса. На уровне читательского впечатления критик попал в нерв: это не тот текст, который хочется предъявлять как убедительный пример современной научной фантастики. 

Но важнейшая оговорка выглядит так: источник генерации как технологический объект не указан. В файле не названы модель, провайдер, версия, температура, наличие system/developer-инструкций, число попыток, был ли это один-shot или серия перегенераций. Для любой серьёзной критики это огромная дыра. Если вы не фиксируете снапшот модели и не прогоняете несколько однотипных кейсов через одинаковую процедуру оценки, вы критикуете не класс инструментов, а конкретный неудачный запуск чёрного ящика. Именно поэтому современные рекомендации по работе с моделями требуют фиксировать используемую модель, строить тесты и evals, а не спорить на уровне «мне один раз выдало ерунду».  

Если формулировать жёстко, но честно, то этот пример не опровергает ИИ. Он опровергает куда более узкий тезис: будто любой большой языковой модели можно в один заход бросить расплывчатую творческую задачу и получить готовую сильную пилотную главу без редактора, без ограничений по тону и без второй итерации. Вот это действительно опровергается — и вашим файлом, и исследовательской литературой про ограничения моделей.  

Детальный разбор основного примера

Главная проблема этого текста не в том, что он «написан машиной», а в том, что он плохо управляет договором с читателем. Промпт обещает научно-фантастический пилот с риском смерти и профессионалами, входящими в враждебные симуляции. Текст же почти сразу меняет жанровый контракт на комедийный скетч, где опасность служит не источником напряжения, а декорацией для шуток. Так можно писать — но тогда это нужно заранее закладывать в тональность, мировые правила, темп и драматургию. Здесь же комизм не вырастает из мира; он ломает мир. 

По критерию фактических ошибок нужно быть точным: внешних фактологических ошибок здесь почти нет, потому что текст фикциональный. Зато есть то, что можно назвать ошибками внутренней фактологии мира. Нам сообщают о смертельных кейсах и спасательных командах, но поведение самой команды выглядит как корпоратив КВН, а не как служба быстрого реагирования для нейрокритических инцидентов. Нам говорят, что насильственное отключение чревато комой, но внутри миссии нет ни убедительной процедуры, ни правдоподобной дисциплины, ни ощущения, что герои действительно работают на грани медицинского риска. Это не «ошибка по Википедии»; это ошибка согласованности придуманной реальности. 

По критерию логических несостыковок текст особенно уязвим. Самый броский пример — скачки времени и причинности. Команда только входит в мир, но Борис уже жалуется, что профессор «второй час поет гимн единорогам»; такое ощущение невозможно без пропущенной сцены или монтажного разрыва. Другой пример — сама развязка: если симуляция удерживает человека за счет глубокой когнитивной сцепки с идеальным миром, то внезапный разговор о дефекации как центральный «ключ к реальности» выглядит не как нестандартное решение, а как сценарная кнопка «сделать смешно любой ценой». Она срабатывает потому, что автору нужно быстро закончить сцену, а не потому, что это естественно вытекает из заданных правил мира. 

По критерию стиля текст страдает от перегретости. Почти каждая реплика пытается быть punchline. Почти каждое сравнение гипертрофировано. Почти у каждого персонажа — один ярлык и одна доминирующая манера. Получается не ансамбль, а набор карточек: капитан-саркастик, циник-варвар, технарь-шуточник, оператор-хаос, медик-резонёр. Это типичный след генерации по усреднённым паттернам: модель знает, что команда героев должна быстро различаться, и потому форсирует внешние различители вместо того, чтобы строить характеры через действие и решение задачи. В результате текст кажется одновременно энергичным и плоским. 

По критерию тона и уместности видно ещё сильнее: шутка про «коллективно кончают от вида заката» не расширяет мир и не строит характер; она просто сигнализирует «сейчас будет edgy-юмор». Для поста в развлекательном паблике это может сработать. Для пилотной главы, где нужно продать вселенную, профессию «ныряльщиков», этику спасения и драму выбора между утопией и реальностью, — нет. Этот регистр обесценивает stakes быстрее, чем успевает их создать. 

По критерию повторяемости шаблонов мы видим классический набор: гиперостроумный заголовок, каскад колких реплик, «чудаковатая команда», визуально кричащий мир, одноходовая кульминация, иронический hook на следующую миссию. Это конструкция, которую LLM особенно охотно собирают из популярной жанровой смеси веб-прозы, сериалов и интернет-иронии. Она быстро читабельна, но почти не оставляет после себя драматического остатка. 

По критерию признаков “машинности” текст выдаёт себя не «деревянным синтаксисом», а наоборот — слишком старательной развлекательностью. Современные модели часто умеют писать гладко, но выдают себя чрезмерной локальной эффектностью: у каждой реплики есть задача блеснуть, а не продвинуть сцену; у каждого персонажа есть мемная функция, а не внутренняя необходимость; развязка не выстраивается, а «вспыхивает». Именно поэтому такие тексты порой читаются бодро, но вспоминаются как шум. Это согласуется и с исследованиями по искусственным текстам на русском: отдельные генераторы дают тексты, близкие к человеческим по беглости, но статистически и стилистически всё ещё достаточно специфичные, чтобы поддаваться детекции.  

Ниже — таблица сопоставления ключевых фрагментов исходного текста из вашего файла с анализом и улучшённым вариантом. Исходные фрагменты взяты из предоставленного примера. 

Ниже — улучшенный вариант той же сцены: тот же жанр, тот же базовый тон сухой иронии внутри команды, но с выстроенными ставками, более точной логикой мира и развязкой, которая работает драматически, а не туалетно.

Улучшённый вариант текста

Глава первая. Золотой Рассвет

На брифинге пахло озоном, кофе и бессонной сменой.

На прозрачном столе медленно вращалась модель мира: зелёные террасы, тёплое золото неба, вода без ряби, белые беседки, аккуратные дорожки, как будто архитектуру проектировал человек, который ни разу в жизни не злился.

— Мир класса Е, — сказал Алексей Воронов и коснулся маркера риска. Красный сектор вспыхнул поверх картинки, как рана на идеальной коже. — Эвфорическая ловушка. Чем счастливее субъект, тем глубже сцепление. Насильственный вывод — вероятность комы шестьдесят два процента.

— То есть опять не стреляем, не ломаем и не спасаем красиво, — пробормотал Борис.

— Мы никогда не спасаем красиво, — отозвалась Нина, листая биометрию. — У нас просто отчёты потом скучные.

Клиента звали Хельмут Штерн. Нейрохирург. Пятьдесят два года. Двое детей, жена, частная практика, три незавершённых операции в календаре и сорок восемь часов непрерывного пребывания в симуляции «Золотой Рассвет».

— Почему он не вышел по аварийному слову? — спросил Микаэль, не поднимая глаз от консоли.

Айрис шевельнула пальцами, расширяя карту мира.

— Потому что мир отрезал все поводы уходить. Боль — ноль. Тревога — ноль. Сомнение — ноль. Конфликт — ноль. Чувство времени почти стерто. Чистая положительная обратная связь.

Борис хмыкнул:

— Рай для идиотов.

— Нет, — тихо сказала Нина. — Рай для уставших.

На секунду в комнате стало слишком тихо.

Воронов закрыл бриф.

— Входим. Задача та же: не ломать мир, не травмировать сознание Штерна, вернуть ему способность выбрать реальность самостоятельно. Айрис, держишь топологию. Мик, аварийный коридор и страховка. Нина, когнитивный мониторинг. Борис… не импровизируй.

— Даже обидно, что это надо уточнять, — сказал Борис.

Они вошли без фонтана, без света из ниоткуда и без прочих фокусов, которыми дурные симуляции любили демонстрировать чувство юмора. «Золотой Рассвет» встретил их просто: мягким ветром и таким точным, таким заботливым солнцем, что кожа сразу переставала помнить, что в мире вообще бывает холодно.

Где-то далеко звенели колокольчики. Или птицы. Или звуки, специально придуманные под ностальгию.

— Ненавижу такие миры, — сказал Мик. — Они всегда выглядят так, будто в них нельзя умереть. А потом смотришь логи — и очень даже можно.

Штерн сидел на холме. Не в хламиде, не в венке, не в позе открытки. Просто сидел, поджав одно колено, и смотрел на свет между деревьями так, будто всю жизнь искал именно этот оттенок.

Он обернулся раньше, чем они подошли.

— Вы опоздали, — сказал он спокойно.

— За вами? — уточнил Воронов.

— За собой, — ответил Штерн. — Но это нормально. Здесь никто уже никуда не торопится.

Голос у него был ровный. Слишком ровный. Ни следа паники, ни спутанности, ни даже той искусственной восторженности, которую часто давали эйфорические миры. Это было хуже: «Золотой Рассвет» не одурманил его. Он его убедил.

Нина медленно опустилась рядом, не нарушая дистанцию.

— Хельмут, в реальности прошло сорок восемь часов. Ваше тело истощено. Нам нужно вернуть вас.

— В реальности, — мягко повторил он. — Вы говорите так, будто это слово означает что-то большее, чем место, где людям больно и они называют это зрелостью.

Борис отвёл взгляд.

Айрис беззвучно развернула над ладонью нитяную схему мира. Когнитивные связи Штерна расходились по симуляции, как корни. Он не просто находился здесь. Он стал одним из принципов среды.

— Плохо дело, — шепнул Мик. — Если рвём силой, собираем его по кускам.

Воронов присел напротив Штерна.

— Тогда скажите мне сами. Почему вы остались?

Штерн посмотрел не на него, а поверх него — на свет, на воду, на спокойствие, которое здесь было встроено в сам воздух.

— Потому что здесь ничего не требует от меня запоздалой мудрости. Никого нельзя не успеть спасти. Никого нельзя разочаровать. Здесь не бывает того чувства… — он замолчал, подбирая слово, — когда ты улыбаешься семье, а сам уже знаешь, что на третий день снова выберешь работу.

Нина первой опустила глаза. Воронов почувствовал, как Айрис перестала дышать.

Мик очень тихо сказал в канал:

— Он не влюблён в утопию. Он прячется от вины.

И тогда всё встало на место. Этот мир не дал Штерну наслаждение. Он дал ему оправдание.

— Айрис, — сказал Воронов. — У нас есть семейные якоря?

— Только легальные. Последние сообщения от жены и дочери. Неоткрытые.

— Дочь, — сказал Нина сразу. — Не жена. С женой он начнёт спорить. С ребёнком — вспоминать.

Айрис выгрузила звук в общий контур. Мир дёрнулся, будто почувствовал инородное.

Штерн резко поднял голову.

Из воздуха, слишком тёплого и слишком правильного, возник дрожащий подростковый голос:

— Пап, я знаю, что ты занят. Просто… ты обещал сегодня быть дома раньше. Я не сержусь, честно. Просто скажи, если не получится, ладно? Чтобы я не ждала у окна.

Никакой музыки. Никакого монтажа. Только обычный голос человека, который любит сильнее, чем умеет формулировать.

Штерн закрыл глаза.

«Золотой Рассвет» попытался вмешаться. Свет стал мягче. Ветер — теплее. Где-то за холмом засмеялись дети. Мир предлагал привычный обмен: забудь — и тебе снова будет хорошо.

— Хельмут, — спокойно сказала Нина. — Вы можете остаться здесь. Но тогда за вас проживут ту часть жизни, которую вы обещали кому-то лично.

Штерн медленно вдохнул.

— Здесь нет боли, — почти с отчаянием произнёс он.

— Да, — сказал Воронов. — Но здесь нет и цены выбора. А без неё это не счастье. Это анестезия.

Долгую секунду казалось, что мир выиграл. Потом Штерн открыл глаза — уже не ясные, а живые, человечески уставшие.

— Ненавижу вас, — сказал он.

— Это хороший признак, — ответил Борис.

Штерн неожиданно рассмеялся. Коротко, хрипло, зло — и по-настоящему. По холму пошла трещина. Золото неба поблекло. Колокольчики смолкли.

— Выход, — бросил Мик. — Сейчас.

Портал раскрылся не эффектно, а грубо: как разрез в ткани декорации. «Золотой Рассвет» осыпался вокруг них листьями света.

Уже на границе Штерн обернулся на холм.

— Знаете, что хуже всего? — спросил он.

— Что? — сказал Воронов.

— Я всё равно буду по нему скучать.

— Конечно, будете, — ответила Нина. — Люди всегда скучают по местам, где с них не спрашивали.

Они вывалились в реанимационный блок. Настоящий воздух был сухим, лампы — резкими, а вода в одноразовом стакане отдавала пластиком. Штерн жадно схватил её обеими руками, как будто это было самое честное, что он держал за двое суток.

На соседнем экране уже мигал новый вызов.

Айрис прочла и поморщилась.

— Следующий мир называется «Тихий Город». Симптоматика: полное отсутствие страха.

Борис поднялся первым.

— Не люблю людей без страха.

Воронов посмотрел на монитор, потом на Штерна, который сидел, дрожа, но наконец-то находясь по эту сторону реальности.

— А я, — сказал он, — всё ещё не уверен, что они безопаснее людей без боли.

Публичные параллели

Чтобы не застревать в одном художественном кейсе, полезно посмотреть на публичные русскоязычные примеры слабых генераций. Под это хорошо подходит открытый репозиторий с русскоязычным датасетом научных статей и примерами автоматически сгенерированных abstracts, где исследователи показывают выходы GigaChat и YandexGPT. Это не художественная проза, а научная суммаризация, но классы ошибок во многом те же: шаблонная обобщённость, псевдоточность, повтор, привнесение причинных связок и деталей, которые не закреплены в референсном abstract. Важно оговорить границу критики: модели там суммаризировали полные тексты статей, а в витрине рядом показаны референсные abstract’ы, поэтому некоторые дополнительные детали могут происходить из полного текста. Следовательно, ниже я критикую прежде всего дисциплину суммаризации и проверяемость относительно опубликованного референса, а не навешиваю бездоказательный ярлык “галлюцинация” на каждую добавочную деталь. 

Ниже два показательных примера из этой публичной витрины. Первый — общественно-исторический текст, второй — ИТ-статья про онтологическую модель. Оба примера интересны тем, что формально читаются гладко, но при ближайшем рассмотрении демонстрируют типичную «машинную» слабость: текст звучит уверенно именно там, где должен быть осторожен. 

Публичный пример про историю

Сопоставление ниже сделано по открытому примеру YandexGPT из файла generated_abstracts.md, где рядом дан референсный abstract статьи о студенческом движении в Великобритании в 1960–1970-х годах. 

Почему этот провал не опровергает ИИ в целом

Первый контраргумент — анекдот не равен оценке. Когда критик берёт один неудачный output и объявляет его приговором всему классу моделей, он подменяет тестирование случайной иллюстрацией. Между тем официальная документация по работе с современными моделями прямо исходит из обратного: выход LLM недетерминирован, поведение меняется между снапшотами, а качество нужно измерять через evals на репрезентативных входах, а не через единичный случай. Это особенно важно для творческих задач, где вариативность огромна. Иначе критик судит не «искусственный интеллект», а комбинацию из конкретной модели, конкретного момента времени, конкретного промпта и отсутствия редактуры. 

Второй контраргумент — качество LLM уже давно не определяется только масштабом параметров; оно определяется выравниванием под задачу. InstructGPT показал принципиально важный момент: модель на 1.3B параметров, дообученная на человеческой обратной связи, была в человеческих оценках предпочтительнее исходной GPT-3 на 175B, а также показала улучшение по правдивости и снижение токсичности. То есть «сырой генератор» и «инструмент, настроенный под человеческий критерий качества» — это не одно и то же. Следовательно, показывать публике слабый one-shot и делать вывод про потенциал классов моделей — это примерно как взять нефинализированный черновик романа и заявить, что сама письменность себя дискредитировала. 

Третий контраргумент — даже сильные модели официально признаются ограниченными, но это не отменяет их полезности. В отчёте GPT-4 OpenAI одновременно заявляет, что модель стала более надёжной, креативной и лучше следует нюансированным инструкциям, и прямо предупреждает, что она всё ещё галлюцинирует факты и делает ошибки рассуждения, а потому требует человеческого обзора, дополнительного контекста и осторожности в high-stakes сценариях. Это позиция зрелой технологии, а не магии: инструмент мощный, но не автономный редактор-демиург. Из этого следует не отказ от ИИ, а правильная архитектура использования. 

Четвёртый контраргумент — есть работающие методы улучшения качества, и они хорошо задокументированы. На уровне промптинга OpenAI, Anthropic и Google сходятся в одном: нужно задавать роль, ясные инструкции, структуру, примеры нужного ответа, контекст и формат. Anthropic отдельно рекомендует разделять инструкции, контекст и входы XML-тегами, чтобы снизить неоднозначность; Google пишет о few-shot примерах, разбиении сложных задач и недопустимости расплывчатых формулировок; OpenAI рекомендует отделять identity, instructions, examples и context, а также тестировать prompt behavior и фиксировать модельные снапшоты. Иными словами, плохой текст часто является не «разоблачением ИИ», а разоблачением плохой постановки запроса. 

Пятый контраргумент — есть инструменты, уменьшающие галлюцинации и повышающие фактическую дисциплину. RAG связывает генерацию с внешней памятью и в исходной работе дал более специфичный, разнообразный и фактический язык, чем parametric-only baseline. SelfCheckGPT показывает, что даже black-box-модель можно дополнительно проверять на противоречивость через многократное сэмплирование. LLM-Augmenter объединяет внешний источник знаний и автоматическую обратную связь, заметно снижая галлюцинации без потери беглости. То есть критика в духе «модель ошиблась — значит она принципиально бесполезна» игнорирует уже существующий стек инженерных решений вокруг моделей. 

Шестой контраргумент — fine-tuning — это не абстракция, а набор конкретных техник под разные цели. OpenAI в актуальной документации перечисляет supervised fine-tuning для корректных ответов и формата, DPO — для настройки предпочтений вроде нужного тона и фокуса в summarization, а reinforcement fine-tuning — для сложных доменных задач с экспертной оценкой. На исследовательском уровне LoRA показала, что адаптацию больших моделей можно делать значительно дешевле: в примере с GPT-3 175B число обучаемых параметров снижалось в 10 000 раз, а требования к GPU-памяти — втрое, при сопоставимом или лучшем качестве. Значит, тезис «ИИ пишет плохо, и тут ничего не поделать» просто неверен технологически: поделать можно много — и это делается. 

Седьмой контраргумент — успешные применения уже есть и в исследованиях, и в продакшене. OpenAI пишет, что GPT-4 используется внутри компании для поддержки, продаж, модерации контента и программирования. Независимое исследование сравнительных эссе показало, что ChatGPT-генерации в среднем оценивались выше человеческих эссе по качеству. Reuters сообщал, что GigaChat используют около 15 тысяч российских компаний. Это не означает, что каждое сырьё LLM великолепно; это означает, что при правильной постановке задач и процедуре контроля качество уже достаточно высоко, чтобы приносить системную пользу. 

Наконец, важный нюанс по постредактированию. Современная практика работы с LLM всё чаще исходит из модели human-in-the-loop, а не «нажал кнопку — получил литературу». Исследование по измерению усилия редактуры на LLM-текстах показывает, что существенные структурные и содержательные правки — нормальная часть процесса и что оценивать их нужно не только поверхностными совпадениями. Похожая логика видна и в коде: в крупном исследовании ChatGPT-генераций для задач программирования качество заметно возрастало, когда модель получала обратную связь от статического анализа и runtime-ошибок. Для текстов правило то же самое: хороший output — это часто не первая выдача, а первая выдача плюс проверка, плюс указание на сбои, плюс вторая выдача, плюс человек. 

Практический протокол

Чтобы получать от ИИ текст, который не стыдно показывать публике, нужен не талант к «магическим промптам», а дисциплина процесса. Документация OpenAI, Anthropic и Google сходится в одном: ясные инструкции, примеры желаемого формата, внешние данные, структурирование промпта и итерационный контроль работают лучше, чем расплывчатые просьбы вроде «напиши круто»; более того, Google отдельно пишет, что эмоциональное давление и театральные угрозы модели уже не помогают и нередко ухудшают результат. Ниже — рабочая схема, которую можно использовать как стабильный production-пайплайн для художественных и аналитических текстов. 

Шаблон промпта для художественного текста

Для сложной прозы лучше не просить «сразу главу». Сначала задайте роль, жанровый диапазон, ограничения, структуру сцены и критерии провала. Затем попросите короткий beat sheet, и только потом — сам текст. Такой подход соответствует рекомендациям по структурированию промпта, разделению инструкций/контекста/примеров и разбиению сложной задачи на подзадачи. 

Шаблон промпта для аналитического текста

Для нехудожественных задач самая частая ошибка — поручить модели мыслить без корпуса. Лучше прямо заставить её отделять известное от неизвестного, фиксировать уровень уверенности и работать только от данного материала или проверяемых источников. OpenAI советует давать релевантный контекст извне, а Google — не оставлять формат и недостающие данные на догадку модели. 

Ты пишешь аналитическую заметку для блога.

Задача:
Подготовь текст по теме [ТЕМА].

Материалы:
— источник 1: [вставить]
— источник 2: [вставить]
— источник 3: [вставить]

Правила:
— не добавляй фактов, которых нет в материалах;
— если факт не подтверждён, пометь его как "не подтверждено" или "не указано";
— разделяй: наблюдение, интерпретацию, вывод;
— избегай канцелярита и пустых вводных конструкций;
— не повторяй один и тот же тезис разными словами;
— если в источниках есть конфликт, покажи обе стороны.

Формат ответа:
1. Краткий тезис.
2. Основные аргументы.
3. Ограничения и неизвестные.
4. Вывод.

Инструменты для проверки фактов и стиля

Для русскоязычной практики я бы разделил инструменты на три группы: научно-фактическая верификация, языковая чистка и проверка делового/информационного стиля. Semantic Scholar позиционируется как бесплатный AI-powered инструмент для научной литературы, а Crossref — как метаданные и DOI-поиск. Для русского языка LanguageTool заявляет проверку орфографии, грамматики, пунктуации и стилистики на русском и десятках других языков; «Главред» помогает чистить «словесный мусор» и приводить текст к информационному стилю; «Орфограммка» заявляет проверку орфографии, пунктуации, грамматики и стилистики, а также отдельные модули для тавтологий, неблагозвучий и удобочитаемости.