Лучше спросить на английском: Оценка фактической точности многоязычных языковых моделей на английском и языках с ограниченными ресурсами.

Исследователи сравнили фактологическую точность ответов LLM (GPT-4o, Llama, Gemma) на одни и те же вопросы, заданные на английском и 19 индийских языках. Они обнаружили, что модели дают значительно более точные ответы на английском языке, даже если вопрос касается сугубо индийского регионального контекста (например, истории или географии).

Ключевой результат: LLM гораздо надежнее и реже "галлюцинируют", когда вы обращаетесь к ним на английском языке, поскольку их базы знаний и тренировочные данные преимущественно англоязычные.

Суть метода, вытекающего из этого исследования, предельно проста и практична:"Принцип английского языка для высокой точности".

Когда вы задаете LLM вопрос на языке, отличном от английского (особенно на так называемом "низкоресурсном" языке, для которого в интернете меньше обучающих данных), модель часто вынуждена внутренне "переводить" ваш запрос на английский, находить ответ, а затем переводить его обратно на ваш язык. На каждом из этих этапов могут возникнуть ошибки, искажения смысла и, как следствие, фактические неточности или "галлюцинации". Это особенно критично для фактов, имен, дат и специфических терминов.

Методика для пользователя: 1. Первая попытка — на родном языке. Задайте свой вопрос как обычно. 2. Оцените ответ. Если ответ кажется вам подозрительным, неполным, расплывчатым или вы сомневаетесь в его точности — не тратьте время на переформулировки на том же языке. 3. Вторая попытка — на английском. Просто переведите свой первоначальный запрос на английский язык и отправьте его той же модели. 4. Сравните результаты. С высокой вероятностью ответ на английском будет более точным, подробным и достоверным. При необходимости вы можете затем перевести этот качественный ответ обратно на свой язык с помощью того же чат-бота.

Этот подход использует LLM там, где он сильнее всего (обработка информации на английском), и минимизирует риски, связанные с его слабостями (межъязыковые операции с фактами).

*Прямая применимость:Максимальная. Любой пользователь, владеющий английским на базовом уровне, может немедленно использовать этот метод. Если вы получили некачественный ответ на русском, казахском, хинди или любом другом языке, просто задайте тот же вопрос на английском. Это одно простое действие, которое напрямую повышает точность.

• Концептуальная ценность: Огромная. Исследование наглядно демонстрирует, что LLM — это не абстрактный "всезнающий" интеллект, а технология, глубоко укорененная в данных, на которых она обучалась. Оно формирует у пользователя критически важное понимание: качество ответа зависит не только от сути вопроса, но и от языка, на котором он задан. Это помогает управлять своими ожиданиями и не доверять слепо ответам на языках, отличных от английского, особенно в вопросах, требующих точности.

• Потенциал для адаптации: Принцип универсален и выходит далеко за рамки индийских языков. Его можно и нужно адаптировать пользователям, говорящим на любых языках. Если вы задаете вопрос на испанском о местной аргентинской политике, на немецком — о малоизвестном австрийском композиторе, или на русском — о специфике сибирской флоры, и получаете слабый ответ, переключение на английский язык, скорее всего, даст лучший результат. Механизм адаптации: осознать, что "слабость" модели в вашем языке — это не ее "глупость", а предсказуемое следствие дисбаланса в данных, и использовать английский как "универсальный ключ" к ее основной базе знаний.

Представим, что пользователь планирует путешествие по Золотому кольцу России и хочет узнать детали о малоизвестной церкви в Суздале.

Плохой промпт (вероятны ошибки или общая информация): расскажи про церковь бориса и глеба в кидекше

Промпт, использующий методику из исследования:

**Role:** You are an expert historian and a tour guide specializing in the medieval history of Russia.
**Task:** Provide a detailed historical summary of the Church of Boris and Gleb in Kideksha, near Suzdal.

**Instructions:**
1. **Origin and Founder:** Explain who founded the church and in what year. Mention its strategic importance at the time.
2. **Architectural Style:** Describe its key architectural features. Is it a typical example of Vladimir-Suzdal architecture? What makes it unique?
3. **Historical Significance:** Explain why this church is a UNESCO World Heritage site. Mention its status as one of the oldest white-stone buildings in North-Eastern Rus'.
4. **Current Status:** Is it an active church or a museum? What should a tourist know before visiting?

**Format:** Present the information in a clear, structured way with headings for each section.

Этот промпт работает в первую очередь за счет выбора языка.

• Основная механика (из исследования): Промпт сформулирован на английском языке. LLM с гораздо большей вероятностью найдет точные исторические данные (имена, даты, архитектурные термины) в своих англоязычных источниках или в качественных переводах научной литературы на английский. Запрос на русском "церковь бориса и глеба" может привести к смешению с другими одноименными храмами или к поверхностной информации с туристических сайтов. Запрос на английском "Church of Boris and Gleb in Kideksha" с большей вероятностью обратится к данным из оцифрованных энциклопедий, исторических статей и документов ЮНЕСКО, которые составляют ядро знаний модели.

• Вспомогательные механики (общий промпт-инжиниринг): Роль (expert historian), четкая структура (Instructions 1-4) и формат (headings) дополнительно улучшают качество ответа, но именно переключение на английский язык является ключевым фактором для повышения фактологической точности, что и было доказано в исследовании.

Представим, что пользователь хочет приготовить аутентичное блюдо узбекской кухни и ищет точную информацию о его происхождении и рецепте.

Промпт, использующий методику из исследования:

**Role:** You are a culinary anthropologist and a chef specializing in Central Asian cuisine.
**Task:** Provide a comprehensive overview of the traditional Uzbek dish "Naryn".

**Breakdown of the task:**
1. **Origin and History:** Briefly describe the history of Naryn. Is it a festive dish or an everyday meal? What region of Uzbekistan is it most associated with?
2. **Core Ingredients:** List the essential, traditional ingredients for both the dough and the meat component. Emphasize what makes it authentic (e.g., type of meat, specific spices).
3. **Key Preparation Steps:** Summarize the most critical steps in preparing authentic Naryn, especially the process of making the hand-pulled noodles and preparing the meat.
4. **Common Misconceptions:** Mention one or two common mistakes or simplifications people make when preparing this dish outside of Uzbekistan.

**Output format:** Use a numbered list for the main sections.

Механизм успеха этого промпта снова основан на главном выводе исследования.

• Основная механика (из исследования): Запрос о блюде "Naryn" на английском языке позволяет обойти потенциальные проблемы с транслитерацией и недостатком подробных данных на русском или узбекском языках в обучающей выборке модели. В англоязычном сегменте интернета существует множество качественных кулинарных блогов, этнографических статей и переведенных поваренных книг, которые подробно описывают блюдо. LLM с большей вероятностью найдет и агрегирует эту высококачественную, проверенную информацию. Запрос на русском мог бы привести к упрощенным "адаптированным" рецептам, которые теряют аутентичные детали.

Модель "знает" о мировой кухне в основном через призму англоязычных источников. Задавая вопрос на английском, мы напрямую обращаемся к этому наиболее полному и структурированному пласту знаний, избегая "испорченного телефона" при переводе и интерпретации с другого языка. Это снижает риск галлюцинаций о "секретных ингредиентах" или неверной исторической справки.

• A. Релевантность техникам промтинга: Да, напрямую предлагает стратегию промтинга (выбор языка запроса) для повышения точности.
• B. Улучшение качества диалоговых ответов: Да, исследование показывает, как кардинально улучшить фактологическую точность ответов, что является ключевым аспектом качества.
• C. Прямая практическая применимость: Абсолютно. Любой двуязычный пользователь может немедленно применить этот вывод без каких-либо инструментов или знаний в программировании.
• D. Концептуальная ценность: Очень высокая. Раскрывает фундаментальный принцип работы современных LLM — их "англоцентричность" и зависимость качества от языка запроса. Помогает сформировать правильную "ментальную модель" ограничений LLM.
• E. Новая полезная практика (кластеризация):
  • Кластер 1 (Техники формулирования): Да, "спроси на английском" — это простая, но мощная техника.
  • Кластер 2 (Поведенческие закономерности LLM): Да, исследование выявляет ключевую закономерность — деградацию фактологической точности в низкоресурсных языках.
  • Кластер 7 (Надежность и стабильность): Да, предлагает прямой способ снижения галлюцинаций и повышения надежности ответов.
• Чек-лист практичности (+15 баллов):
  • Дает готовые фразы/конструкции для промптов? (Нет)
  • Объясняет, где в промпте размещать важную информацию? (Нет)
  • Показывает, как структурировать сложные запросы? (Нет)
  • Раскрывает неочевидные особенности поведения LLM? (Да)
  • Раскрывает эффективные метода суммаризации текста (Нет)
  • Предлагает способы улучшить consistency/точность ответов? (Да)
  • Вывод: Да, получает бонус +15 баллов.

Исследование получает 90 баллов, так как его главный вывод — "для получения точного ответа спрашивайте на английском" — является чрезвычайно ценным, немедленно применимым и контринтуитивным для многих пользователей советом. Это фундаментальный принцип, который объясняет огромное количество неудачных взаимодействий с LLM у пользователей, не являющихся носителями английского языка.