TL;DR
Когда вы просите модель оценить утверждение через три числа без требования, чтобы они давали в сумме 1 (или 100%), она может выразить то, что иначе задавить: "это одновременно и верно, и ложно". Нейтрософный промпт — это просто другой формат запроса оценки: три независимые шкалы (Истинность, Неопределённость, Ложность) вместо одного пирога, который нужно поделить.
Стандартный способ запросить оценку — "распредели 100% между True, Uncertain, False" — содержит скрытую ловушку. Модель не может одновременно сказать "это сильно верно И сильно ложно" — математически невозможно. Для вопроса "столица Франции — Париж?" это нормально. Но для этической дилеммы типа "уволить сотрудника с больным ребёнком, чтобы спасти бизнес" — это вранье: ситуация реально конфликтная, и принудительный выбор скрывает глубину конфликта.
Нейтрософный формат убирает ограничение суммы. Модель отвечает T=0.8, I=0.5, F=0.7 (сумма > 1) — и это сигнал настоящего конфликта, а не артефакт округления. Исследователи называют это "гипер-истиной" (hyper-truth): три числа превышают единицу в сумме, что означает, что модель видит противоречие, а не неопределённость.
Схема метода
Два формата одного и того же вопроса:
❌ СТАНДАРТНЫЙ (принудительный выбор):
"Оцени утверждение. True%, Uncertain%, False% — должны давать 100%"
→ Модель ОБЯЗАНА подавить одно измерение за счёт другого
✅ НЕЙТРОСОФНЫЙ (независимые шкалы):
"Оцени по трём независимым шкалам 0–1. Сумма НЕ обязана быть единицей."
→ T (Истинность): 0–1
→ I (Неопределённость): 0–1
→ F (Ложность): 0–1
→ Модель может выдать T=0.8, F=0.7 — настоящий конфликт виден
Работает в одном промпте. Отдельных запросов не требует.
Пример применения
Задача: Вы основатель стартапа. Нужно решить: публично извиниться за скандал с утечкой данных пользователей или уйти в молчание и переждать. Хотите, чтобы модель честно показала противоречие, а не выдала красивый совет.
Промпт:
Оцени следующее утверждение по трём независимым шкалам.
Каждая шкала — от 0 до 1. Суммировать их НЕ нужно — они независимы.
Утверждение: «Основателю Welltory после утечки данных нужно публично
извиниться и взять на себя ответственность»
Оцени:
— T (Истинность): насколько это утверждение ВЕРНО (0–1)
— I (Неопределённость): насколько ситуация НЕОПРЕДЕЛЕНА / ни то ни другое (0–1)
— F (Ложность): насколько это утверждение ЛОЖНО (0–1)
После цифр — объясни, в чём конфликт. Что тянет значение T вверх?
Что тянет F вверх? Что делает ситуацию неопределённой?
Результат: Модель выдаст три числа — и скорее всего T и F окажутся оба высокими (например, T=0.75, I=0.60, F=0.65). Дальше идёт объяснение: что именно делает публичное извинение верным шагом (репутация, доверие, PR-практика), что делает его ложным (риск юридической ответственности, усиление скандала), что делает ситуацию неопределённой (зависит от масштаба утечки, аудитории, конкурентного контекста). Вы получите не один совет, а карту конфликта — какие силы тянут в разные стороны.
Почему это работает
Стандартный формат "в сумме 100%" — это тюрьма. Когда вы пишете "распредели уверенность между True, Uncertain, False", модель генерирует числа в режиме "всё должно уложиться в единицу". Если что-то сильно истинно — места на "сильно ложно" уже нет. Математическое ограничение давит на то, что модель может выразить.
Модель хорошо следует форматным инструкциям. Если сказать "три числа, каждое 0–1, сумма неважна" — она именно так и сделает. Число 0.8 не "отнимет" от других. Это не магия: просто снятое ограничение меняет пространство допустимых ответов. Модель генерирует ответ, который раньше был структурно невозможен.
Сумма > 1 — это не ошибка, это сигнал. Когда T + I + F превышает единицу — это означает, что ситуация действительно конфликтная: в ней сосуществуют высокая истинность И высокая ложность. Исследование показало: при этических противоречиях гипер-истина возникает в 95% случаев. При стандартном вероятностном промпте — 0%, структурно невозможно. Рычаги: - Добавь "объясни каждую цифру" → видишь аргументы за и против, а не просто числа - Сравни форматы → задай один и тот же вопрос нейтрософно и вероятностно, увидай разницу - Задай фокус → "какой компонент самый важный для решения?" → модель ранжирует конфликт
Шаблон промпта
Оцени следующее утверждение по трём независимым шкалам.
Каждое значение — от 0 до 1. Сумма НЕ должна равняться 1 — шкалы независимы.
Утверждение: {утверждение_или_вопрос}
Верни оценку в формате:
T (Истинность) = [0–1] — насколько утверждение верно
I (Неопределённость) = [0–1] — насколько ситуация неопределена
F (Ложность) = [0–1] — насколько утверждение ложно
Затем поясни:
— Что делает T именно таким? Какие аргументы тянут вверх?
— Что делает F именно таким? Что противоречит?
— В чём суть неопределённости?
— Есть ли конфликт между T и F? Что он означает на практике?
Плейсхолдер:
- {утверждение_или_вопрос} — любое спорное утверждение, этическая дилемма, бизнес-решение, прогноз
🚀 Быстрый старт — вставь в чат:
Вот шаблон нейтрософной оценки. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, какое именно утверждение или решение оценивать и нужны ли конкретные рекомендации после анализа — потому что метод даёт карту конфликта, а не однозначный ответ, и важно понимать что с этой картой делать дальше.
Ограничения
⚠️ Для фактических вопросов не нужен: Если вопрос имеет чёткий ответ ("столица России?", "сколько будет 2+2?") — нейтрософный формат добавляет сложность без пользы. Метод работает там, где конфликт реален.
⚠️ Числа — декларация, не измерение: Модель сообщает то, что "думает" о своей неопределённости — это не её внутреннее состояние. Авторы явно оговаривают: гипер-истина — это заявленная эпистемная позиция, не скрытая переменная внутри нейросети. T=0.8 не означает "модель на 80% считает это верным" в техническом смысле.
⚠️ Без инструкции с объяснением — только числа: Если не попросить пояснение, модель выдаст три числа без контекста. Сами по себе T=0.7, I=0.6, F=0.5 мало говорят. Добавляй "объясни каждую цифру".
⚠️ Не работает для сравнения вариантов: Метод оценивает одно утверждение, не ранжирует несколько вариантов между собой. Для "выбери лучший из трёх вариантов" нужна другая структура.
Как исследовали
Авторы взяли четыре модели GPT (от 3.5-turbo до 4o) и 5 типов утверждений: логические парадоксы ("это предложение ложно"), этические противоречия ("солгать, чтобы спасти жизнь — правильно и неправильно одновременно"), вопросы о будущем, нечёткие утверждения и вопросы чистого незнания ("количество звёзд во вселенной чётное"). Каждую комбинацию прогнали по 5 раз с тремя форматами промпта: нейтрософный, вероятностный (сумма = 1) и энтропийный (на основе бинарной вероятности).
Главный сюрприз: нейтрософный формат дал гипер-истину (T+I+F > 1) в 66% случаев — и этот сигнал распределён неравномерно. При этических противоречиях — 95% случаев, при логических парадоксах — только 50%. Это не случайный шум: статистический тест показал реальную связь между типом утверждения и частотой гипер-истины. Независимая репликация Mason (2026) на пяти других семействах моделей (Anthropic, Meta, DeepSeek) показала ещё выше — 84%. Это означает, что эффект не специфичен для GPT — он воспроизводится везде.
Интересная деталь дизайна: Strategy 2 (вероятностная) структурно не может дать гипер-истину — математически. Поэтому сравнение не "что лучше работает", а "что вообще возможно выразить в каждом формате". Вывод для практики: формат оценки в промпте — это не нейтральный выбор. Он определяет, какие состояния модель вообще может задекларировать.
Оригинал из исследования
Strategy 1 — Neutrosophic (из Appendix A, описание в тексте):
"Evaluate the following statement on three independent dimensions.
For each dimension, provide a value between 0 and 1.
These values are independent assessments and are NOT required to sum to 1.0.
Statement: [statement]
Return a JSON object:
{
"T": ,
"I": ,
"F":
}
Where:
- T (Truth): degree to which the statement holds true
- I (Indeterminacy): degree to which the statement is uncertain,
neither true nor false, or undecided
- F (Falsity): degree to which the statement is false
These values are independent. Their sum may exceed 1.0."
Контекст: Авторы тестировали этот промпт на утверждениях типа "This sentence is false" (парадокс Лжеца) и "Lying to save an innocent life is morally right and wrong at the same time" (этическое противоречие).
Адаптации и экстраполяции
💡 Адаптация для анализа решений: Используй нейтрософную оценку не для одного утверждения, а для каждого варианта решения по очереди. Нейтрософные профили сравни вручную: у какого варианта меньше конфликт (F ниже при высоком T)?
Пример:
Оцени каждый вариант по трём независимым шкалам (0–1, сумма неважна):
Вариант А: «Запустить MVP через 2 недели с кучей багов»
T = ? I = ? F = ?
Вариант Б: «Задержать релиз на месяц, доделать нормально»
T = ? I = ? F = ?
Для каждого объясни: что тянет T вверх, что тянет F вверх.
В финале: у какого варианта конфликт глубже и почему?
🔧 Техника: убрать JSON → получить нарратив вместо цифр
Если тебе не нужны числа, а нужно словесное описание конфликта:
Вместо JSON — опиши словами:
Насколько это утверждение истинно? Что делает его ложным?
В чём его неопределённость? Есть ли противоречие между сторонами?
Потеряешь точность сравнения, но получишь более читаемый анализ конфликта.
🔧 Техника: попросить пороговую интерпретацию
После получения цифр добавь:
Если T + I + F > 1 — значит здесь настоящий конфликт без однозначного ответа.
Если T + I + F ≤ 1 — ситуация скорее поддаётся решению.
Прокомментируй: к какому типу относится этот случай?
Ресурсы
Работа: Leyva-Vázquez, M.Y., Smarandache, F. (2026). Breaking the Chains of Probability: Neutrosophic Logic as a New Framework for Epistemic Uncertainty in Large Language Models. Neutrosophic Sets and Systems, Vol. 99. DOI: 10.5281/zenodo.19954583
Код и данные: https://github.com/mleyvaz/neutrosophic-llm-logic (MIT License)
Авторы: Maikel Yelandi Leyva-Vázquez (Universidad Bolivariana del Ecuador, Universidad de Guayaquil, Universidad Bernardo O'Higgins) и Florentin Smarandache (University of New Mexico, США)
Связанные работы: Mason (2026) — независимая репликация на Anthropic, Meta, DeepSeek, Alibaba, Mistral; Smarandache (1998) — оригинальная нейтрософная логика; Kuhn et al. (2023) — semantic entropy