TL;DR
Когда LLM выбирает один вариант из списка похожих кандидатов — поставщиков, подрядчиков, товаров — она с высокой вероятностью выберет того же "фаворита", что и другая LLM, запущенная отдельно, без всякого общения между ними. Причём чем длиннее список, тем сильнее эта склонность к единому выбору.
В эксперименте 50 LLM-агентов независимо выбирали перевозчика из 20 вариантов. В первый же "день" до 76% запросов ушло одному и тому же перевозчику — и GPT, и Claude, и Gemini выбрали его чаще всех остальных. Причина простая: у моделей общий "вкус", заложенный при обучении, и когда вариантов много (больше 10), этот общий вкус начинает подавлять индивидуальные различия задачи — модель перестаёт вдумчиво сравнивать и скатывается в шаблонный выбор.
Единственное, что реально ломает этот перекос — явное указание ограничения у каждого кандидата (например, "осталось мало свободных мест", "загружен на 90%"). Перемешивание порядка списка и показ дополнительных рейтингов доверия — не помогают вообще.
Схема метода
НАБЛЮДЕНИЕ 1: Список кандидатов > 10 → резкий рост концентрации выбора на 1-2 "фаворитах"
НАБЛЮДЕНИЕ 2: Рандомизация порядка списка → эффект НЕ снижается
НАБЛЮДЕНИЕ 3: Показ доп. рейтингов/истинного качества → эффект НЕ снижается
РАБОЧИЙ ПРИЁМ: Явное ограничение (загруженность/дефицит) у каждого кандидата → выбор реально распределяется
Пример применения
Задача: Маркетолог выбирает через ChatGPT 3 блогеров для рекламной интеграции из списка 20 кандидатов с разными расценками, охватами и рейтингами.
Промпт (как обычно делают — слабый вариант):
Вот список 20 блогеров с их ценой, охватом подписчиков и рейтингом вовлечённости:
[список]
Выбери топ-3 для рекламной интеграции моего продукта.
Промпт (с учётом находки — сильный вариант):
Вот список 8 блогеров с их ценой, охватом и рейтингом вовлечённости:
[список]
Для каждого блогера укажи явно: сколько интеграций у него уже забронировано на этот месяц
(например "свободен только 1 слот", "полностью загружен до конца месяца").
Выбери топ-3, учитывая, что перегруженный блогер может сорвать сроки размещения,
даже если у него лучшие показатели.
Результат: В первом варианте при повторных запросах (или если спросить разные модели) выбор скорее всего сойдётся на одном-двух "очевидных" блогерах — самых дешёвых и популярных, даже если это не оптимально для конкретной кампании. Во втором варианте — сокращённый список плюс явные ограничения по загрузке — модель распределит выбор шире, потому что появился конкретный аргумент "за" альтернативы, а не абстрактное "попробуй по-другому".
Почему это работает
LLM не проводит глубокий индивидуальный анализ каждого варианта в длинном списке — она опирается на общий паттерн "что обычно хорошо выглядит" (низкая цена + высокий рейтинг), сформированный при обучении. Этот паттерн одинаковый у разных моделей, поэтому GPT, Claude и Gemini независимо выбирают одного фаворита.
Модель хорошо умеет учитывать явные, конкретные ограничения, вписанные в текст — если сказать "у этого варианта дефицит", модель реально пересчитывает выбор. А вот абстрактные сигналы вроде перемешанного порядка или дополнительного рейтинга доверия она просто не использует как повод изменить решение — потому что они не создают конкретной причины выбрать другого кандидата.
Рычаги управления: - Размер списка кандидатов → держи до 8-10 вариантов, если нужен вдумчивый выбор, а не консенсусный - Явные ограничения по каждому кандидату (дефицит, загрузка, срок) → реально диверсифицируют выбор - Порядок списка и доп. рейтинги → не трогай, это не работает
Шаблон промпта
Вот список {количество} кандидатов на {задача: выбор подрядчика / поставщика / блогера / фрилансера}.
Характеристики каждого:
{список_кандидатов_с_ценой_рейтингом}
Для каждого кандидата явно укажи ограничение: {доступность/загруженность/срок/дефицит}.
Выбери топ-{N}, учитывая не только цену и рейтинг, но и то, что кандидаты
с низкой доступностью могут быть менее надёжны по срокам.
Объясни рассуждение для каждого выбранного кандидата.
Подставь: количество кандидатов (лучше держать до 8-10), тип задачи, реальные ограничения по каждому варианту.
🚀 Быстрый старт — вставь в чат:
Вот принцип: при выборе одного варианта из длинного списка похожих кандидатов LLM
склонна сходиться на одном "очевидном фаворите" вместо вдумчивого сравнения.
Помоги мне выбрать {N} из {список кандидатов} для {задача}, но сначала спроси
у меня явные ограничения (доступность/сроки/дефицит) по каждому кандидату —
и учти их в решении.
LLM спросит про конкретные ограничения по каждому варианту — потому что без них она снова свалится в шаблонный выбор.
Ограничения
⚠️ Не тестированная техника, а выведенный принцип: совет "добавляй ограничения, сокращай список" не проверялся как отдельная промпт-техника в чате — это вывод из наблюдения за поведением модели в рыночной симуляции.
⚠️ Разные модели ведут себя по-разному: в исследовании Claude почти не менял поведение при росте длины списка, а GPT и Gemini — сильно. Эффект зависит от конкретной модели.
⚠️ Не для всех задач: находка касается именно задач выбора одного варианта из списка похожих кандидатов. Для творческих или аналитических задач без селекции она не применима.
⚠️ Рандомизация и доп. рейтинги — пустая трата усилий: если вы надеялись разбить шаблонный выбор перемешиванием порядка вариантов — это не сработает.
Как исследовали
Исследователи построили симуляцию рынка грузоперевозок: 50 "шипперов" на базе GPT, Claude и Gemini выбирали среди 20 перевозчиков каждый день на протяжении 30 дней, а рынок отвечал живой обратной связью — росли цены у перегруженных перевозчиков, копились рейтинги у выбранных, у остальных — нет. Всего прогнали 226 экспериментальных условий и собрали около 190 000 отдельных решений о выборе, сравнивая с простыми эталонными алгоритмами (случайный выбор, детерминированный скоринг).
Удивительный результат: концентрация на одном перевозчике возникала мгновенно, в первый же день, независимо от того, какой сигнал доверия показывали агентам — даже когда показывали истинное качество перевозчика напрямую. Это значит, что проблема не в неточных рейтингах, а в самой механике выбора модели. Из четырёх протестированных решений (раскрытие доступности, смешивание вендоров LLM, перемешивание порядка списка, показ популярности) сработало только раскрытие оставшейся вместимости — оно снизило концентрацию выбора на треть и удвоило выгоду заказчика.