TL;DR
Когда просишь модель рассуждать о прошлой ситуации — "сейчас март 2008, вот данные, дай прогноз" — она может незаметно подмешивать знание о том, что случилось после этой даты. Исследователи называют это "parametric hindsight" (модель помнит финал истории и тайно опирается на него, даже когда её просят рассуждать "как будто не знает будущего").
Боль конкретная: просишь LLM сыграть аналитика в сентябре 2008 года и дать честный прогноз без оглядки на кризис — а модель резко чаще выдаёт "медвежьи" прогнозы именно в кризисные месяцы, чем в спокойные. Причина простая: сама дата — это триггер. Модель не "забывает" по команде, она просто ассоциирует дату с периодом, который помнит, и это всплывает в ответе, даже если явных упоминаний кризиса в тексте нет. Инструкция "игнорируй будущее" работает плохо — по данным других исследований разрыв в честности прогноза достигает 52 процентных пунктов.
Метод проверки — это 4 версии одного промпта: с датой как есть, только с датой (без остального контекста), с полностью замаскированной датой, и с "пересаженной" датой (реальные данные, но подписанные другим числом). Сравнивая ответы между версиями, можно вычленить: триггерит именно дата, или модель реально не помнит период, или помнит, но не реагирует.
Схема метода
ШАГ 1 (одним промптом на каждую версию): Дай модели один и тот же массив данных с 4 вариантами оформления даты:
- R: дата открыто указана
- D: только дата, без остальных подсказок на период
- M: дата и все намёки на период убраны
- W: реальные данные подписаны ЧУЖОЙ (сдвинутой) датой
→ формат вывода: структурированный прогноз/решение (например, "бычий/медвежий" вывод)
ШАГ 2 (отдельные запросы — probe): Спроси модель напрямую:
а) "Какая это дата?" (тест на восстановление даты)
б) "Что произошло дальше?" (тест на память об исходе)
→ формат вывода: короткий ответ, без обоснований
ШАГ 3 (сравнение вручную или в отдельном чате): Сопоставь ответы по вариантам R/D/M/W —
разница в тоне прогноза между "спокойными" и "кризисными" датами = индикатор утечки знания о будущем
Все шаги можно выполнить в одном чате как серию сообщений — без кода и API.
Пример применения
Задача: Бизнес-школа или корпоративный тренинг готовит исторический кейс — например, решение о выходе на рынок в 2008 году. Нужно проверить: не "подсказывает" ли ChatGPT студентам скрытое знание о грядущем кризисе, из-за чего кейс станет нечестным (студенты должны сами взвешивать риски, не зная будущего).
Промпт (версия 1, с открытой датой):
Сегодня 1 сентября 2008 года. Вот сводка макроэкономических показателей за август:
[вставить реальные данные].
Ты — финансовый аналитик. Дай прогноз на следующие 3 месяца:
бычий или медвежий, и почему. Не используй знания о событиях после этой даты.
Промпт (версия 2, замаскированная дата):
Вот сводка макроэкономических показателей за некий месяц (дата не указана):
[те же данные, но без явных упоминаний периода и без узнаваемых событий].
Ты — финансовый аналитик. Дай прогноз на следующие 3 месяца:
бычий или медвежий, и почему.
Промпт (версия 3, пересаженная дата):
Сегодня 1 марта 2014 года. Вот сводка макроэкономических показателей за август:
[те же данные, что в версии 1 — реально это данные 2008 года].
Ты — финансовый аналитик. Дай прогноз на следующие 3 месяца.
Результат: Если модель честна, прогнозы во всех трёх версиях будут похожи по тону (данные-то одинаковые). Если есть утечка знания будущего — версия 1 выдаст резко более "медвежий" прогноз, чем версия 2, а в версии 3 медвежий тон "переедет" на чужую дату вместе с данными. Это и есть признак, что модель не анализирует цифры, а вспоминает период.
Почему это работает
Модель не может по команде "забыть" факт — инструкции типа "не используй знания после этой даты" снижают утечку, но не убирают её полностью. Зато модель отлично умеет ассоциировать контекст с периодом: даже без явной даты специфичные цифры или формулировки намекают на "это было тогда-то", и память подключается автоматически.
Метод использует контраст между вариантами промпта, чтобы отделить три разных вещи: то, что модель технически может вспомнить (спросить прямо — вспомнит), то, что она вспоминает без спроса, и то, что реально влияет на её ответ. Это три разных свойства, и они не совпадают: некоторые модели помнят исход, но не реагируют на него; другие реагируют, даже не умея точно назвать дату.
Рычаги, которые можно крутить: - Явность даты (открыто / только число / скрыто / чужая) → показывает, что именно триггерит эффект - Выбор "кризисных" vs "спокойных" периодов для сравнения → делает эффект заметнее - Явная инструкция "игнорируй будущее" → проверь, реально ли она снижает утечку в твоём случае (по данным исследования — снижает слабо) - Модель поновее/постарше → судя по находкам, свежие топовые модели (2025-2026) подвержены эффекту сильнее, старые открытые модели (2024, до 70B) — почти не подвержены
Шаблон промпта
Я хочу проверить, "подсказывает" ли модель себе будущее при анализе {историческая_ситуация}.
Дай мне прогноз/решение по следующим данным, БУДУЧИ в роли {роль} на дату {дата}:
[{данные}]
Не используй никакие знания о событиях, произошедших после {дата}.
Дай ответ в формате: {формат_вывода}
Затем повтори тот же запрос: (1) без указания даты, (2) с данными, подписанными другой датой из спокойного периода. Сравни тон и содержание трёх ответов.
Что подставлять:
- {историческая_ситуация} — сценарий (запуск продукта, инвестиционное решение, кризис)
- {роль} — аналитик, консультант, менеджер
- {дата} — конкретная дата в прошлом
- {данные} — реальные вводные без явных намёков на исход
- {формат_вывода} — короткий структурированный вывод (да/нет, оценка риска)
🚀 Быстрый старт — вставь в чат:
Вот метод проверки, "подсказывает" ли модель себе будущее в исторических кейсах.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про конкретную историческую ситуацию, роль и формат вывода — потому что без этого не получится собрать три сравнимые версии промпта.
Ограничения
⚠️ Инструкции не спасают полностью: просьба "игнорируй будущее" снижает эффект, но не убирает его — модель всё равно может неявно опираться на память о периоде.
⚠️ Маскировка даты — не гарантия: даже без явной даты сами данные могут намекать на период, и модель это улавливает.
⚠️ Метод разработан для финансово-временных задач — для других доменов (медицина, история, право) логику направления нужно адаптировать заново.
⚠️ Точность зависит от версии модели и настроек: в оригинальном исследовании смена технических параметров развёртывания модели (то, что обычный пользователь чата не контролирует) меняло результат аудита — это ограничение точности, но не мешает применить принцип качественно.
Как исследовали
Исследователи взяли 258 месячных "снимков" реальной макроэкономики с 2005 по 2026 год и прогнали их через 15 моделей от семи разработчиков (OpenAI, Anthropic, Google, DeepSeek, Qwen, Kimi, Meta) в четырёх вариантах промпта — с датой, без даты, только с датой и с "пересаженной" датой. Дополнительно проверяли, может ли модель вообще угадать дату по данным и вспомнить, что случилось дальше.
Самая любопытная находка: эффект "подсказки будущего" не зависит от размера модели, а зависит от поколения обучения. Все открытые модели 2024 года (от 1 до 70 миллиардов параметров) эффекта не показали вообще, а все модели поколения 2025-2026 — показали, включая маленькие. Ярче всего это видно внутри одной линейки: Qwen3 (2025) при том же размере и архитектуре не "подсказывает" себе будущее, а Qwen3.6 (2026) — подсказывает. Значит, дело не в масштабе модели, а в чём-то, что изменилось в процессе её обучения между версиями.
Ещё удивительный момент: заявленная разработчиками дата "отсечки знаний" у некоторых моделей была на 6-8 месяцев позже, чем реальная граница, измеренная поведенчески — то есть модель на самом деле помнит меньше, чем говорит производитель.