От Под Способность Диагностика к Человеко Ориентированному Генерированию Заполнение Разрыва для Контроля Длины Текста через MARK

Исследование показывает, что большие языковые модели фундаментально плохо справляются с подсчетом слов, что является основной причиной их ошибок при генерации текста заданной длины. Авторы предлагают методMARKERGEN, который решает эту проблему, разделяя задачу на три этапа: планирование, генерацию качественного черновика и последующий рерайтинг для точного соответствия длине с помощью специальных маркеров-подсказок.

Ключевой результат: Разделение процесса генерации на "создание смысла" и "подгонку под длину" позволяет снизить ошибку в длине текста в среднем с 18% до 5.5%, одновременно повышая качество самого текста.

Суть методаMARKERGENдля обычного пользователя сводится к простому, но очень эффективному принципу:не заставляйте LLM делать две сложные вещи одновременно.Вместо того чтобы в одном промпте просить модель и написать гениальный текст, и точно уложиться в 200 слов, разбейте задачу на последовательность из трех шагов.

1. Этап 1: Планирование (Prompt 1). Сначала попросите модель создать подробный план или структуру будущего текста. На этом этапе вы утверждаете основное содержание и логику, не беспокоясь о точном количестве слов. Цель: зафиксировать "что" говорить.

2. Этап 2: Генерация черновика (Prompt 2). Используя утвержденный план, попросите модель написать качественный, подробный и осмысленный текст. Важно дать инструкцию: "Сейчас сосредоточься на качестве и полноте, не беспокойся о строгом соблюдении длины". Цель: получить качественный "материал".

3. Этап 3: Рерайтинг с маркерами (Prompt 3). Это ключевой шаг. Вы даете модели сгенерированный на втором этапе черновик и просите его переписать, чтобы он точно соответствовал нужной длине. Чтобы помочь модели, вы используете две техники из исследования:

   • Явная обратная связь: "Текущий текст содержит 350 слов, а нужно ровно 200. Сократи его."
   • Маркеры-ориентиры: Вы просите модель в процессе рерайтинга вставлять в текст метки вроде [~50 слов], [~100 слов], [~150 слов]. Это помогает ей лучше "чувствовать" объем и контролировать генерацию. Особенно важны маркеры ближе к концу текста.

Этот подход работает, потому что он снимает с LLM когнитивную нагрузку. Модель не пытается одновременно быть креативной и считать слова (что она делает плохо). Она последовательно решает три более простые задачи, с каждой из которых справляется отлично.

*Прямая применимость:Пользователь может немедленно использовать трехэтапный подход в любом чат-боте. Это прямая, копируемая последовательность действий: промпт на план → промпт на черновик → промпт на рерайтинг с указанием текущей и целевой длины. Идея с просьбой вставлять маркеры[k слов]также легко реализуется в промпте.

• Концептуальная ценность: Главный инсайт — декомпозиция ограничений. Пользователь понимает, что LLM — это не универсальный гений, а инструмент со своими сильными и слабыми сторонами. Сильная сторона — семантика и логика (Этапы 1-2). Слабая — точные формальные подсчеты (Этап 3). Научившись разделять эти задачи, пользователь сможет решать и другие сложные проблемы (например, генерация текста с определенной плотностью ключевых слов, адаптация под сложный Tone of Voice и т.д.).

• Потенциал для адаптации: Метод легко адаптируется. Вместо контроля длины можно контролировать другие параметры. Например, на Этапе 3 можно попросить: "Перепиши этот текст, чтобы он был понятен пятикласснику" или "Перепиши этот текст, добавив в него 5 раз ключевую фразу 'промпт-инжиниринг', равномерно распределив её по тексту". Принцип остается тем же: сначала качество, потом — подгонка под ограничения.

Представим, что нужно написать экспертный пост для LinkedIn на тему управления временем объемом ровно 150 слов.

# Контекст

Я использую трехэтапный метод для создания текста. Я уже получил от тебя план и качественный черновик. Теперь нужно выполнить финальный, третий этап.

# Предыдущий результат (черновик)

"Эффективное управление временем начинается с четкого понимания своих приоритетов. Многие люди совершают ошибку, пытаясь сделать все и сразу, что неизбежно ведет к выгоранию и снижению продуктивности. Ключевой техникой является метод Эйзенхауэра, который предлагает делить все задачи на четыре категории: срочные и важные, важные, но не срочные, срочные, но не важные, и, наконец, не срочные и не важные. Фокусируясь на 'важных, но не срочных' задачах, вы инвестируете в свое будущее и предотвращаете возникновение авралов. Также крайне полезно использовать технику 'Помодоро', работая концентрированными 25-минутными интервалами с короткими перерывами. Это помогает поддерживать высокий уровень концентрации на протяжении всего рабочего дня и не отвлекаться на мелочи. Регулярное планирование своего дня с вечера и анализ проделанной работы позволяют постоянно совершенствовать свою систему продуктивности и достигать больших результатов с меньшими усилиями, сохраняя при этом энергию и мотивацию для новых свершений в карьере и личной жизни."

# Задача для тебя

Твоя задача — переписать приведенный выше черновик, чтобы он точно соответствовал следующим требованиям:

1. **Целевая длина:** Ровно 150 слов.
2. **Обратная связь по длине:** Текущий черновик содержит 189 слов. Его нужно сократить на 39 слов.
3. **Стиль:** Сохрани экспертный, но лаконичный стиль, подходящий для LinkedIn.
4. **Ключевая механика:** В процессе написания нового текста, вставляй маркеры для самоконтроля: `[~50 слов]`, `[~100 слов]`, `[~125 слов]`, `[~140 слов]`.

Выполни рерайтинг и предоставь только финальный текст.

Этот промпт эффективен, потому что он реализует ключевые идеи исследования:

1. Декомпозиция: Мы не просим модель написать пост с нуля, а даем ей уже качественный "материал" для работы. Вся творческая работа была сделана на предыдущем шаге. Сейчас задача чисто техническая — уложиться в лимит.
2. Явная обратная связь: Фраза Текущий черновик содержит 189 слов. Его нужно сократить на 39 слов дает модели четкое, математическое понимание задачи. Она не "угадывает", а знает, что делать.
3. Управляемая генерация через маркеры: Инструкция вставлять [~50 слов], [~100 слов] и т.д. заставляет модель постоянно отслеживать свой прогресс. Это симуляция "внешнего счетчика" из исследования. Модель как бы ставит себе "контрольные точки", что значительно повышает точность финального результата.

Задача: Переписать длинное описание туристического тура в короткий, энергичный текст для рекламной email-рассылки. Целевая длина — 90 слов.

# Роль

Ты — опытный копирайтер, специалист по продающим текстам для email-рассылок.

# Контекст

У меня есть подробное описание тура, которое хорошо по содержанию, но слишком длинное и скучное для email. Я хочу, чтобы ты его переписал.

# Исходный текст (черновик)

"Наш эксклюзивный десятидневный тур 'Сокровища Италии' предлагает вам уникальную возможность погрузиться в богатую историю и культуру этой прекрасной страны. Путешествие начнется в Риме, где вы проведете три дня, осматривая такие всемирно известные достопримечательности, как Колизей, Римский форум и Ватикан. После этого мы отправимся на комфортабельном поезде во Флоренцию, колыбель Ренессанса. Там вы посетите галерею Уффици и полюбуетесь на статую Давида. Завершится ваше путешествие в Венеции, где вас ждут романтические прогулки на гондолах по знаменитым каналам и посещение площади Сан-Марко. В стоимость тура включено проживание в четырехзвездочных отелях, завтраки, все трансферы и экскурсии с профессиональными гидами."

# Твоя задача

Перепиши этот текст, чтобы он стал коротким, энергичным и продающим.

**Требования:**
1. **Целевая длина:** Строго 90 слов.
2. **Анализ длины:** Исходный текст — 134 слова. Нужно убрать лишнее, оставив самую суть.
3. **Помощь в контроле:** Во время написания вставляй маркеры-ориентиры: `[~30 слов]`, `[~60 слов]`, `[~80 слов]`.
4. **Фокус:** Сделай акцент на эмоциях и выгоде для клиента, а не на сухом перечислении.

Предоставь только готовый текст для рассылки.

Этот пример работает по тем же проверенным принципам:

1. Разделение задач: Модель не придумывает тур, а работает с готовой фактурой. Её задача — не генерация идей, а их упаковка в заданный формат. Это снижает сложность.
2. Четкие рамки: Инструкции Строго 90 слов и Исходный текст — 134 слова превращают абстрактную задачу "сделай короче" в конкретную операцию "убери 44 слова, сохранив ценность".
3. Процесс-ориентированная генерация: Требование вставлять маркеры заставляет модель не просто выдать финальный результат, а следовать процессу, который ведет к нужному результату. Она как бы "думает вслух" с помощью маркеров, что позволяет ей самой себя корректировать по ходу генерации и достичь высокой точности по длине, не потеряв в динамике и смысле.

• A. Релевантность техникам промтинга: Да. Предлагает конкретную трехэтапную структуру взаимодействия (Планирование → Генерация → Рерайтинг с маркерами) и формат маркеров [k слов].
• B. Улучшение качества диалоговых ответов: Да. Напрямую решает одну из самых частых проблем — контроль длины текста, значительно снижая ошибку.
• C. Прямая практическая применимость: Высокая, но с оговоркой. Полный метод с автоматической вставкой маркеров требует доступа к open-source модели. Однако ключевой принцип — трехэтапная декомпозиция задачи — полностью воспроизводим обычным пользователем в любом чат-боте через последовательность промптов.
• D. Концептуальная ценность: Очень высокая. Исследование вскрывает фундаментальные слабости LLM (плохо считают, но хорошо планируют) и предлагает обходной путь, что кардинально меняет подход к решению подобных задач.
• E. Кластеризация:
  • (1) Техники формулирования промптов: Да.
  • (2) Поведенческие закономерности LLM: Да.
  • (3) Оптимизация структуры промптов: Да.
  • (7) Надежность и стабильность: Да.
• Чек-лист практичности: Даны готовые конструкции, показано, как структурировать сложные запросы, раскрыты неочевидные особенности LLM и предложены способы улучшить точность. (+15 баллов)

Исследование получает 92 балла за то, что предлагает не просто "трюк", а целую методологию, основанную на глубоком понимании слабостей LLM. Ценность заключается в том, что пользователь может немедленно применить главную идею — декомпозицию задачи на три этапа — в любом чате и получить предсказуемо лучший результат. Это фундаментально полезный фреймворк.