Спросить у LLM на русском — значит разбудить слабую копию модели.

Исследование показывает, что мультиязычные большие языковые модели (MLLM) гораздо чаще "галлюцинируют" и выдают неверные факты при работе на языках, отличных от английского (так называемых "низкоресурсных" языках). Для решения этой проблемы предложен метод Cross-lingual Chain-of-Thought (XCoT), который заставляет модель сначала выстроить логическую цепочку рассуждений на английском языке, и только потом сформулировать ответ на целевом языке.

Ключевой результат: Принуждение LLM к рассуждению на английском языке перед ответом на другом языке резко снижает количество фактических ошибок и вымысла.

Суть метода заключается в эксплуатации "языкового неравенства" внутри LLM. Большинство моделей обучались на гигантских массивах англоязычных текстов, из-за чего их способность к логическому мышлению, анализу фактов и построению сложных умозаключений наиболее сильна именно на английском. Когда вы задаете сложный фактический вопрос, например, на русском или тамильском, модель пытается одновременно и рассуждать, и формулировать ответ на этом языке, где ее "база знаний" и "логический аппарат" значительно слабее. Это часто приводит к ошибкам, домыслам и галлюцинациям.

Метод XCoT (Cross-lingual Chain-of-Thought) предлагает элегантный обходной путь. Вместо того чтобы заставлять модель делать все на одном, "слабом" для нее языке, мы разделяем процесс на два этапа внутри одного промпта:

1. Этап рассуждения (на сильном языке): Мы прямо приказываем модели: "Сначала подумай шаг за шагом на английском языке". На этом этапе модель использует свой мощный англоязычный "мозг" для анализа запроса, поиска релевантных фактов в своей базе знаний и выстраивания корректной логической цепочки.
2. Этап генерации ответа (на целевом языке): После того как правильная логика и факты найдены, мы даем вторую команду: "А теперь, на основе своих английских рассуждений, дай окончательный ответ на [нужном языке]". Для модели это гораздо более простая задача — по сути, "перевести" уже готовый, проверенный и логичный вывод, а не генерировать его с нуля на слабом языке.

Таким образом, мы используем сильные стороны модели (рассуждение на английском) для компенсации ее слабых сторон (нехватка знаний и логики на других языках).

• Прямая применимость: Максимальная. Любой пользователь, работающий с LLM на языке, отличном от английского, может немедленно улучшить качество ответов, добавив в свой промпт две простые инструкции: "Сначала подумай на английском" и "Затем дай ответ на [моем языке]". Это не требует никаких специальных знаний.

• Концептуальная ценность: Огромная. Пользователь перестает воспринимать LLM как монолитное "всезнающее" существо и начинает понимать ее как систему с ярко выраженными сильными и слабыми сторонами. Ключевая концепция: "язык рассуждений" не обязан совпадать с "языком ответа". Это понимание открывает путь к решению множества проблем, связанных с точностью и надежностью LLM в неанглоязычных контекстах.

• Потенциал для адаптации: Высокий. Принцип "использовать более сильный промежуточный язык/формат для рассуждения" можно адаптировать. Например, для сложных технических или программных задач можно попросить модель сначала составить план или псевдокод (универсальный "язык" логики), а затем написать код на конкретном языке программирования. Для юридических вопросов — сначала изложить принципы права на английском, а затем сформулировать пункт договора на другом языке.

**Роль:** Ты — опытный диетолог и эксперт по здоровому питанию.

**Задача:**
Мне нужен подробный ответ на вопрос: "Какие основные риски для здоровья связаны с кето-диетой в долгосрочной перспективе?". Ответ должен быть на русском языке, структурирован и понятен для человека без медицинского образования.

---

**ИНСТРУКЦИИ ПО ВЫПОЛНЕНИЮ:**

**Этап 1: Рассуждение на английском языке (Think in English)**
*   **Action:** First, break down the user's question. The key concepts are "keto diet", "long-term risks", and "health".
*   **Action:** Access your internal knowledge base about ketogenic diets. List the primary physiological changes it causes (ketosis, fat adaptation).
*   **Action:** Systematically list potential long-term risks based on scientific literature. Categorize them:
    1.  Cardiovascular risks (LDL cholesterol changes).
    2.  Kidney health (risk of kidney stones).
    3.  Nutrient deficiencies (lack of fiber, vitamins from fruits/grains).
    4.  Bone density issues.
    5.  Gut microbiome impact.
*   **Action:** For each risk, formulate a simple explanation of the mechanism. For example, for kidney stones, explain the role of hydration and changes in urine pH.
*   **Action:** Structure these points logically for a clear explanation.

**Этап 2: Финальный ответ на русском языке**
*   **Action:** На основе твоих пошаговых рассуждений на английском, напиши подробный, структурированный и ясный ответ на русском языке. Используй подзаголовки для каждого риска. Избегай сложного медицинского жаргона.

Этот промпт работает за счет явного разделения сложной задачи на два этапа, используя сильные стороны LLM:

1. Активация надежной базы знаний: Подавляющее большинство медицинских и диетологических исследований, на которых обучалась модель, написаны на английском. Инструкция Think in English заставляет модель обратиться к этому наиболее полному и нюансированному пласту данных. Это минимизирует риск того, что модель будет "додумывать" факты, основываясь на более скудной русскоязычной информации.
2. Структурирование логики: Пошаговые инструкции на английском (Action: ...) работают как Chain-of-Thought. Модель не просто находит факты, а выстраивает из них логическую структуру: определяет ключевые понятия, категоризирует риски, находит причинно-следственные связи.
3. Снижение когнитивной нагрузки: Когда логика и факты уже собраны и проверены на "сильном" для модели языке, финальная задача — изложить это на русском — становится значительно проще. Это уже не генерация с нуля, а скорее качественный пересказ или адаптация готового материала, что резко снижает вероятность появления галлюцинаций.

**Роль:** Ты — финансовый консультант, специализирующийся на личных инвестициях для начинающих.

**Задача:**
Объясни простыми словами, что такое "диверсификация портфеля" и почему она важна. Приведи простой пример для человека, который хочет начать инвестировать с небольшой суммы (например, 10 000 рублей). Ответ должен быть на русском языке.

---

**ПРОЦЕСС ВЫПОЛНЕНИЯ ЗАДАЧИ:**

**ШАГ 1: Мышление и анализ на английском языке (Reasoning in English)**
1.  **Define the core concept:** What is "portfolio diversification"? Explain it using the "don't put all your eggs in one basket" analogy.
2.  **Explain the "Why":** The main goal is risk management. Explain how different asset classes (stocks, bonds, etc.) react differently to market events. If one falls, another might rise or stay stable.
3.  **Create a simple example:** For a small sum like 10,000 RUB (approx. $110-120 USD), think about accessible, low-cost instruments.
    *   Idea 1: A low-cost index fund (ETF) that already contains hundreds of stocks. This is instant diversification.
    *   Idea 2: A simple split: 60% into a broad stock market ETF, 30% into a bond ETF, 10% in a high-yield savings account (as cash equivalent).
4.  **Structure the final answer:** Plan to start with the analogy, then the formal explanation, then the importance (risk reduction), and finally the practical example.

**ШАГ 2: Формулировка ответа на русском языке**
*   Основываясь на своем анализе на английском, предоставь четкий и понятный ответ на русском языке. Следуй структуре, которую ты разработал в Шаге 1.

Этот промпт эффективен, потому что он заставляет модель использовать свою наиболее развитую "личность" — англоязычного финансового эксперта.

1. Доступ к каноническим знаниям: Финансовая теория, терминология и популярные аналогии (вроде "не класть все яйца в одну корзину") являются каноническими в англоязычной литературе. Запрос Reasoning in English гарантирует, что модель обратится к первоисточникам этих концепций, а не к их возможным искаженным или упрощенным переводам.
2. Практическая релевантность: Придумывая пример, модель, рассуждая на английском, может оперировать глобальными финансовыми инструментами (ETF, index funds), которые являются основой диверсификации. Затем, на этапе ответа на русском, она адаптирует эти универсальные концепции к реалиям российского рынка (упоминая рубли и доступные инструменты).
3. Предотвращение "воды" и ошибок: Заставляя модель сначала структурировать план ответа (Define -> Explain Why -> Example), мы предотвращаем бессвязный поток информации. Модель вынуждена следовать логике, что делает финальный ответ на русском языке не только фактически точным, но и хорошо организованным и легким для восприятия новичком.