TL;DR
Модели умеют предсказывать числовые значения, если дать им таблицу примеров в контексте. Исследование показало: LLM, которым скормили 9 размеченных строк данных (структурные параметры → результаты), предсказывали 10-й пример точнее, чем классическая линейная регрессия — но только там, где зависимость нелинейная.
Главная боль: Классические статистические модели ломаются на крошечных датасетах из 10–20 примеров. Они переобучаются, выдают нестабильные результаты (разброс между запусками достигал 47%) и не улавливают сложные зависимости. Когда данных мало — регрессия становится лотереей.
Решение: Дать LLM таблицу известных примеров как контекст и попросить предсказать новый. Модель тянет знания из предобучения (она «читала» тысячи научных статей и деловых данных) и комбинирует их с конкретными примерами из таблицы. В итоге — разброс между запусками ≤3% вместо 47%, а точность предсказания нелинейных зависимостей на 40% лучше регрессии.
Схема метода
Всё происходит в одном промпте:
ШАГ 1: Контекст задачи → одно-два предложения о домене и цели
ШАГ 2: Референсная таблица → N примеров [входы + известные результаты]
ШАГ 3: Описание нового случая → входные данные в предложениях (не просто числа)
ШАГ 4: Инструкция вывода → точный формат ответа (без воды, только числа)
Один промпт. Один ответ. Никакой итерации.
Пример применения
Задача: Ты управляющий складом в Новосибирске. Нужно предсказать спрос на новую SKU к акции. Есть данные по 9 предыдущим позициям: средняя цена, охват рекламы, сезонность, конкурентов в категории → реальный прирост продаж в штуках. Нового товара на складе ещё нет — нужен прогноз до закупки.
Промпт:
Ты аналитик спроса с опытом в ритейле. Предскажи прирост продаж
(в штуках за неделю акции) для новой позиции на основе исторических данных.
Условие: предсказывай только на основе таблицы ниже и своих знаний
о динамике спроса. Никаких объяснений — только число.
Исторические данные:
| SKU | Цена (руб) | Реклама (охват тыс.) | Сезон | Конкурентов | Прирост (шт) |
|-----------|-----------|----------------------|-------|-------------|--------------|
| Товар A | 299 | 15 | зима | 3 | 124 |
| Товар B | 450 | 8 | лето | 7 | 67 |
| Товар C | 180 | 22 | зима | 2 | 203 |
[...ещё 6 строк...]
Новая позиция:
- Цена 340 рублей — средний ценовой сегмент для категории
- Охват рекламной кампании: 18 тысяч пользователей ВКонтакте
- Период: зимний сезон, высокий потребительский интерес
- Конкурентов в категории: 4 SKU от других брендов
Формат ответа: одно число — прогноз прироста продаж в штуках.
Результат: Модель вернёт одно число — прогнозный прирост. Без рассуждений, без «это зависит от». При повторных запросах ответ будет отличаться не больше чем на 2–3 штуки — стабильность достигается через строгий формат вывода и точное описание нового случая в предложениях.
Почему это работает
Слабость регрессии на маленьких данных: Когда примеров меньше 20 — статистическая модель «запоминает» случайный шум, а не настоящую зависимость. Масштаб этой проблемы виден в числах: PLS выдавала разные результаты при одних и тех же данных с разбросом до 47% между запусками. Это не модель — это рулетка.
Сильная сторона LLM: Модель уже «прочитала» огромный массив текстов — научные статьи, отчёты, деловую аналитику. Внутри неё закодированы паттерны зависимостей между параметрами, которые люди описывали словами. Когда ты даёшь ей таблицу примеров, она соединяет свои скрытые знания с конкретными данными — и это работает лучше, чем просто считать коэффициенты на 10 строках.
Почему описание в предложениях > список чисел: Авторы сначала пробовали просто перечислять значения через запятую — результат был нестабильным. Когда каждый параметр обернули в предложение с контекстом («пористость мембраны составляет 77%, что характерно для гидрофильных образцов»), точность выросла. Модель лучше «понимает» числа, когда они вписаны в смысл — потому что именно так она обрабатывала текст при обучении.
Рычаги управления промптом: - Количество примеров в таблице → больше строк = точнее прогноз, но дольше и дороже - Уровень детализации описания → добавь больше контекста к новому случаю — стабильнее результат - Строгость формата вывода → «только число» убирает вариативность; «объясни рассуждение» — добавляет прозрачность - Единицы измерения → указывай явно, иначе модель может предсказать в другом масштабе
Шаблон промпта
Ты эксперт в {область_знаний}. Предскажи {целевой_показатель}
для нового случая на основе исторических данных.
Правило: используй только таблицу ниже и свои знания о {область_знаний}.
Ответ — только {формат_вывода}. Никаких объяснений.
Исторические данные:
| {параметр_1} | {параметр_2} | {параметр_3} | {целевой_показатель} |
|--------------|--------------|--------------|----------------------|
| {значение} | {значение} | {значение} | {результат} |
[...все известные примеры...]
Новый случай:
- {параметр_1}: {значение} — {одно предложение с контекстом}
- {параметр_2}: {значение} — {одно предложение с контекстом}
- {параметр_3}: {значение} — {одно предложение с контекстом}
Формат ответа: {точное_описание_вывода — число/диапазон/категория}
Что подставлять:
- {область_знаний} — домен: ритейл, HR, финансы, логистика
- {целевой_показатель} — что предсказываем: конверсия, срок, стоимость
- {параметр_X} — входные данные, которые у тебя есть
- {одно предложение с контекстом} — главное: не просто число, а смысл. Не «340 руб», а «цена 340 рублей — средний сегмент для категории»
- {формат_вывода} — чем точнее, тем стабильнее: «одно целое число», «диапазон X–Y», «категория из списка»
🚀 Быстрый старт — вставь в чат:
Вот шаблон для предсказания по таблице примеров.
Адаптируй под мою задачу: [твоя задача — что предсказываешь и какие данные есть].
Задавай вопросы, чтобы заполнить все поля.
[вставить шаблон выше]
LLM спросит какие параметры у тебя есть, что предсказываешь и сколько примеров — потому что структура таблицы и описание нового случая зависят от конкретного домена. Она возьмёт паттерн шаблона и адаптирует под твои данные.
Ограничения
⚠️ Линейные зависимости: Если связь между параметрами и результатом простая и прямая — LLM не даёт преимущества перед обычной регрессией. Используй этот метод когда чувствуешь, что зависимость сложная, нелинейная, с взаимовлиянием факторов.
⚠️ Меньше 5 примеров: При совсем крошечных данных даже LLM начинает придумывать. Минимальный рабочий порог — 6–8 примеров в таблице.
⚠️ Точные числовые предсказания: Это инструмент для первичной оценки, не для финансовых решений на миллионы. Разброс между запусками — около 3%, что хорошо по меркам регрессии, но всё равно существует.
⚠️ Экстраполяция за пределы данных: Если новый случай сильно отличается от всех примеров в таблице — модель будет угадывать без опоры. Работает только там, где новый случай похож на обучающие примеры.
Как исследовали
Исследователи взяли 10 реальных мембран с известными физическими параметрами и механическими свойствами — буквально поместились в одну таблицу. Это экстремально маленький датасет даже по меркам науки о материалах. Схема простая: прячем одну строку, даём модели остальные 9 как контекст, смотрим насколько точно она предсказывает спрятанную. Повторяют для каждой строки, 5 раз с разными случайными параметрами — итого 50 предсказаний на метод.
Интересная деталь: сначала промпт был простым перечислением чисел — и он плохо работал. Команда это заметила и переписала шаблон: теперь каждый параметр описывался предложением с доменным смыслом. Точность выросла. Это и стало одним из ключевых практических выводов.
Против LLM поставили PLS — стандартный метод для маленьких датасетов в химии. Для упругости (Young's modulus) и прочности при разрыве результаты оказались статистически неотличимы: оба метода справились примерно одинаково, потому что зависимость там достаточно линейная. Но для удлинения при разрыве — нелинейного свойства — DeepSeek-R1 и GPT-5 снизили ошибку на 40% относительно регрессии. Это статистически значимый результат даже на 10 примерах.
Что удивило: вариативность у LLM была в 15 раз ниже, чем у регрессии. PLS при одних и тех же данных мог давать разброс до 47% между запусками — из-за нестабильности выбора числа компонент на крошечном датасете. LLM стабильно держались в пределах 3%.
Адаптации и экстраполяции
🔧 Сравнение нескольких сценариев вместо одного предсказания
Если нужно выбрать лучший вариант из нескольких — дай все сценарии сразу и попроси ранжировать:
[таблица исторических примеров...]
Новые варианты для оценки:
- Вариант А: цена 340 руб, охват 18 тыс, зимний сезон, 4 конкурента
- Вариант Б: цена 290 руб, охват 12 тыс, зимний сезон, 4 конкурента
- Вариант В: цена 390 руб, охват 25 тыс, зимний сезон, 2 конкурента
Формат ответа: три числа — прогнозный прирост для каждого варианта
плюс рекомендованный вариант.
Получаешь сравнительную аналитику за один запрос — без трёх отдельных промптов.
🔧 «Объясни своё рассуждение» для нелинейных задач
Если убрать ограничение «никаких объяснений» — увидишь логику предсказания:
После числового прогноза — 2-3 предложения:
какие факторы из таблицы повлияли больше всего
и почему ты ожидаешь такой результат.
Полезно когда нужно объяснить прогноз коллегам или проверить, не галлюцинирует ли модель. Если рассуждение звучит бессмысленно — число тоже ненадёжно.
Ресурсы
Intelligent Materials Modelling: Large Language Models Versus Partial Least Squares Regression for Predicting Polysulfone Membrane Mechanical Performance
Dingding Cao (Baoshan University, Китай), Mieow Kee Chan (SEGi University / Xiamen University Malaysia), Wan Sieng Yeo (Universiti Malaysia Sabah), Said Bey (University of Bejaia, Алжир), Alberto Figoli (Institute on Membrane Technology ITM-CNR, Италия)
Модели: DeepSeek-V3, DeepSeek-R1, ChatGPT-4o, GPT-5