3,583 papers
arXiv:2512.20334 72 23 дек. 2025 г. PRO

Prompt Hygiene: почему плохие примеры в промпте токсичны, даже если сказать "не используй"

КЛЮЧЕВАЯ СУТЬ
Обнаружено: Инструкция 'игнорируй этот пример' снижает дефекты только на 22%, а не убирает их. LLM интерпретирует всё содержимое промпта как образец для подражания — даже если ты пометил код как 'неактивный' или написал 'не делай так'. В эксперименте: закомментированный код с ошибками поднял количество дефектов в генерации до 58% по сравнению с чистым промптом. Метод Prompt Hygiene позволяет предотвратить воспроизведение ошибок в генерируемом контенте — код, тексты, письма. Ключевой принцип: физически удаляй плохие примеры из промпта, не полагайся на инструкции 'не обращай внимания'. Модель не просто копирует дефект — она достраивает паттерн ошибки: даже если пример обрезан наполовину, искажён отступами или помечен меткой '', LLM воспроизводит логику дефекта в новом коде. Близость усиливает яд: плохой пример на расстоянии -8 до +3 строк от точки генерации влияет сильнее всего.
Адаптировать под запрос
📋 Дайджест исследования

Контент доступен только для PRO подписчиков

Чтобы получить доступ к дайджесту этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO

Контент доступен только для PRO подписчиков

Чтобы получить доступ к концептам этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO
📖 Простыми словами

Контент доступен только для PRO подписчиков

Чтобы получить доступ к упрощённому объяснению этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO

Работа с исследованием

Адаптируйте исследование под ваши задачи или создайте готовый промпт на основе техник из исследования.

0 / 2000
~0.5-2 N-токенов ~10-30с
~0.3-1 N-токенов ~5-15с