TL;DR
Когда просишь LLM «объяснить проще» или «сделай версию для эксперта», модель почти всегда меняет только длину текста — но не уровень жаргона и не количество информации. По сути, вместо реального упрощения ты получаешь тот же текст, только короче или длиннее. Это не баг конкретной модели — это системная особенность всех топовых LLM.
Главная причина: модели не различают три разные оси сложности — жаргон (незнакомые слова), плотность информации (сколько фактов на абзац) и длину. Когда просишь «проще» — модель оптимизирует то, что легче всего измерить, то есть длину. Жаргон и глубина при этом могут вырасти или упасть случайно — примерно с вероятностью подбрасывания монеты.
Исследование показало, что работает лучше: использовать конкретные аудиторные метки вместо абстрактных уровней, и просить все версии в одном запросе, а не по очереди. «Ребёнок → Подросток → Студент → Аспирант → Эксперт» даёт более разные версии, чем «попроще / посложнее» в диалоге.
Схема метода
Всё выполняется в одном промпте:
ШАГ 1: Задать контент → что нужно объяснить (текст, тема, концепция)
ШАГ 2: Задать 5 аудиторных меток → Ребёнок / Подросток / Студент / Аспирант / Эксперт
ШАГ 3: Явно указать три оси → жаргон, объём информации, длина
ШАГ 4: Получить все 5 версий → в одном ответе, одновременно
Ключевое: не диалог «а теперь проще», а параллельная генерация всех уровней сразу.
Пример применения
Задача: Ты пишешь лендинг для нового IT-продукта — корпоративной CRM. Нужно объяснить ценность продукта разным аудиториям: собственнику, директору по продажам, рядовому менеджеру, инвестору и технарю.
Промпт:
Вот описание продукта:
[Вставь текст о продукте — 3-5 предложений]
Создай 5 версий объяснения ценности этого продукта для разных аудиторий.
Аудитории по нарастанию сложности:
1. Владелец малого бизнеса (никогда не слышал про CRM)
2. Руководитель отдела продаж (знает термины, не знает IT)
3. Коммерческий директор крупной компании (думает в деньгах и метриках)
4. Венчурный инвестор (оценивает рынок и потенциал)
5. Технический директор (думает в архитектуре и интеграциях)
Для каждой версии:
— Используй только жаргон, понятный именно этой аудитории (не больше и не меньше)
— Включай ровно столько фактов и деталей, сколько нужно этому человеку для решения
— Длина: 3-4 предложения на версию
Формат: пронумерованный список, каждая версия с заголовком аудитории.
Результат:
Модель выдаст 5 отдельных блоков — по одному на аудиторию. Ключевое отличие от «напиши проще»: версия для собственника будет с минимумом терминов и максимумом конкретики («сотрудники перестанут терять клиентов»), версия для CTO — с упоминанием API, интеграций и стека. Длина у всех похожая, зато словарь и глубина действительно разные.
Почему это работает
Проблема: Когда просишь «объясни проще» в следующем сообщении, у модели нет якоря — она не знает, насколько проще. Результат непредсказуем. По данным исследования, даже лучшая модель (Claude Sonnet 4.5 + Thinking) меняет жаргон в нужную сторону только в 46% случаев при итеративном подходе. То есть почти как случайно.
Почему одним промптом лучше: Когда все версии генерируются одновременно, модель держит весь диапазон в «поле зрения» и активнее дифференцирует версии. Она видит, что первая — для ребёнка, последняя — для эксперта, и вынуждена делать их разными. В диалоге каждый следующий ответ — почти независимый.
Почему аудиторные метки работают лучше уровней: «Ребёнок» и «Эксперт» — это конкретные образы с понятным словарём и контекстом. «Уровень 1» и «уровень 5» — абстракция без содержания. Модель лучше имитирует речь реального человека, чем следует числовой шкале.
Рычаги управления: - Экстремальность якорей → чем дальше крайние аудитории (Ребёнок vs Эксперт), тем контрастнее версии. Близкие якоря (Студент vs Аспирант) дают почти одинаковый результат - Явное указание трёх осей (жаргон / количество фактов / длина) → модель не угадывает, что именно менять - Фиксированная длина → если не указать, модель просто делает «сложные» версии длиннее, а это не то же самое, что сложнее
Шаблон промпта
Вот материал для адаптации:
{текст или тема}
Создай {число_версий} версий для разных аудиторий:
1. {аудитория_1} — {краткое описание их уровня знаний}
2. {аудитория_2} — {краткое описание их уровня знаний}
3. {аудитория_3} — {краткое описание их уровня знаний}
4. {аудитория_4} — {краткое описание их уровня знаний}
5. {аудитория_5} — {краткое описание их уровня знаний}
Для каждой версии независимо настрой:
— Жаргон: используй только слова, знакомые этой аудитории
— Количество деталей: включай ровно то, что нужно для их задачи
— Длина: {число} предложений
Формат: каждая версия с заголовком аудитории, пронумерована.
Что подставлять:
- {текст или тема} — то, что нужно объяснить: пара абзацев, тезис, описание продукта
- {аудитория_N} — конкретный тип человека, не просто «простой / сложный»
- {число} предложений — фиксируй длину, иначе модель будет растягивать «сложные» версии
🚀 Быстрый старт — вставь в чат:
Вот шаблон для объяснения одного материала разным аудиториям.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит что именно нужно объяснить и кто твои аудитории — потому что без конкретных образов людей она не сможет правильно выставить метки и сделать версии по-настоящему разными.
Ограничения
⚠️ Жаргон и глубина — не гарантия: Даже с правильным шаблоном модель примерно в половине случаев не снижает/повышает технический уровень так, как ты ожидаешь. Всегда читай крайние версии и сравнивай — если «версия для ребёнка» всё ещё полна терминов, попроси убрать их явно.
⚠️ Близкие аудитории дают похожий текст: Разница между «Студент» и «Аспирант» для модели почти незаметна. Если нужны контрастные версии — бери крайние якоря (Ребёнок / Эксперт или Школьник / Профессор).
⚠️ Длина растёт сама по себе: Если не ограничить размер, «сложные» версии будут просто длиннее — но не глубже. Это не одно и то же. Фиксируй длину явно.
⚠️ Метод для адаптации текста, не для генерации: Лучше всего работает когда есть что адаптировать — готовый текст, тема с конкретным содержанием. На пустом запросе «объясни квантовую физику» разброс версий будет меньше.
Как исследовали
Команда сначала провела пользовательское исследование с 16 участниками: дала им прототип чата со слайдером сложности (5 уровней) и попросила изучать незнакомые STEM-темы. Большинство оценили слайдер положительно — но отметили, что соседние уровни часто неотличимы на ощупь. Это и стало главным вопросом: а могут ли модели вообще генерировать по-настоящему разные уровни сложности?
Затем взяли 98 научных вопросов (биология, физика, CS) и попросили пять моделей сгенерировать по 5 версий ответа — от уровня студента до уровня старшего исследователя. Измеряли три вещи: долю незнакомых слов (жаргон), количество отдельных фактов в тексте (плотность информации) и длину. Критерий простой: каждая следующая версия должна быть сложнее предыдущей по всем трём параметрам.
Результат оказался хуже, чем ожидали. Длина росла хорошо (почти всегда). Жаргон и информация — в лучшем случае в правильную сторону лишь половину случаев, в худшем — близко к случайному броску монеты. Причём первый шаг (студент → младший аспирант) получался лучше, чем последующие — модели как бы «выдыхались» при более тонких различиях. Интересная деталь: когда якоря сделали крайнее («Ребёнок» вместо «Студент», «Эксперт» вместо «Старший исследователь»), показатели выросли — но тренд провалов сохранился.
Адаптации и экстраполяции
🔧 Техника: явная верификация версий → повышает надёжность
После генерации 5 версий добавь в промпт отдельный запрос:
Теперь проверь версии 1 и 5.
Выпиши все слова из версии 5, которых нет в версии 1.
Если таких слов меньше 5 — перегенерируй версию 5, добавив больше профессионального жаргона.
Модель выступает как редактор собственного текста и замечает то, что пропустила при генерации.
🔧 Техника: "5 уровней Wired" как готовый якорь
Журнал Wired использует формат «5 Levels» — разные эксперты объясняют одно понятие пяти аудиториям: Child, Teen, College student, Grad student, Expert. Именно эти метки показали лучший результат в исследовании. Их можно использовать как готовый якорь без изменений:
Объясни {тему} для 5 аудиторий в стиле рубрики «5 Levels»:
Child (7 лет) / Teen (15 лет) / студент / аспирант / эксперт в области.
Для каждого: 3-4 предложения, только их словарь, только нужные им детали.
Ресурсы
Статья: Explain Like I'm 5 or Whatever I Choose: Evaluating the Interactive Potential of Language Model Responses
Авторы: Indu Panigrahi, Tal August — Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign
Вдохновение: серия WIRED «5 Levels» — реальный пример того, как работают аудиторные якоря