Нестабильность LLM: один промпт — разные результаты, и как с этим работать

Ты запускаешь один и тот же промпт дважды — получаешь два разных ответа. Это не баг, это природа LLM. Исследование Huawei показало: разброс качества на одной задаче достигает 349 баллов рейтинга. DeepSeek V3.1 решила сложную задачу в первом прогоне, провалила во втором и третьем — разница в 1,348 баллов. Прикол: модель генерирует вероятностно, первое слово расходится → всё решение идёт другим путём. Метод позволяет получать стабильные качественные результаты через пакетную генерацию — 2-3 прогона параллельно, выбор лучшего. Это работает не только для кода, но для любых критичных задач в ChatGPT/Claude.