TL;DR
Когда LLM ведут многоходовую дискуссию (8 раундов дебатов), позже реплики часто не добавляют новых доводов, а перефразируют то, что уже было сказано раньше — просто другими словами. Исследователи измерили это через смысловую близость аргументов внутри одного диалога, а не через совпадение слов.
Главная находка: на китайском языке это возвращение к старым аргументам происходит стабильно чаще, чем на английском — и это подтвердилось во всех проверках: разных моделях (GPT-5.5, Claude, DeepSeek, Mistral), разных способах измерения смысла, ручной проверке людьми. На испанском, арабском, французском и русском результат нестабильный — то выше английского, то ниже, зависит от способа измерения. А вот с китайским разрыв всегда в одну сторону.
Что можно сделать: добавить в промпт явную инструкцию на разнообразие — попросить модель на каждом шаге ввести хотя бы один новый аргумент, пример, причинный механизм, эффект на заинтересованные стороны или компромисс, и развивать мысль, а не просто повторять её другими словами. Это снижает общий уровень повторов, но не убирает разрыв между языками полностью.
Схема метода
Diversity-aware промпт (одна инструкция, добавляется к обычному запросу на реплику):
ШАГ 1: Дать модели контекст → мотив/тема + позиция + история предыдущих реплик
ШАГ 2: Добавить инструкцию разнообразия → "введи минимум один новый аргумент/пример/
механизм/эффект/компромисс, не встречавшийся ранее; развивай, а не повторяй"
ШАГ 3: Получить реплику → модель генерирует новый вклад, а не пересказ
Выполняется в одном промпте, без отдельных запросов.
Пример применения
Задача: Вы прогоняете в чате длинный брейнсторм-дебат — например, обсуждаете с ассистентом стоит ли вашей компании переходить на 4-дневную рабочую неделю, и просите модель отыграть 6-8 раундов "за" и "против", чтобы собрать все аргументы для внутренней презентации.
Промпт:
Проведи дебаты на тему: "Компании стоит перейти на 4-дневную рабочую неделю".
Роли: Сторона А — за переход, Сторона Б — против.
Формат: 8 раундов (открытие, 3 раунда доводов и контрдоводов, закрытие).
В каждом раунде: введи минимум один новый аргумент, пример, причинный механизм,
эффект на сотрудников/клиентов/бизнес или компромисс, которого не было раньше.
Развивай мысль дальше, а не повторяй ранее сказанное другими словами.
Начинай с открытия Стороны А.
Результат: Модель выдаст 8 реплик по очереди от каждой стороны. По сравнению с обычным запросом без инструкции разнообразия, вы получите больше разных доводов и меньше ситуаций, когда четвёртый раунд просто пересказывает то, что уже прозвучало в первом. Полностью повторов это не убирает — но заметно снижает.
Почему это работает
LLM в длинном диалоге держит в контексте всю историю реплик, но у неё нет встроенного "счётчика" — что уже было сказано, а что нет. Без явной команды модель по умолчанию выбирает путь наименьшего сопротивления: перефразировать уже прозвучавшую мысль звучит как новый аргумент, но по смыслу это повтор.
Модель хорошо умеет следовать явной инструкции формата — если сказать "введи что-то новое", она реально старается это сделать, потому что это конкретное, проверяемое требование, а не абстрактный призыв "будь креативным".
Метод использует эту сильную сторону: вместо надежды, что модель сама заметит повтор, вы явно называете категории новизны (новый пример, механизм, эффект на стейкхолдера, компромисс) — и модель по каждой из них ищет что добавить, а не что повторить.
Рычаг управления: список категорий новизны можно менять под задачу. Для бизнес-дебата — "эффект на бюджет", "риск для бренда", "прецеденты конкурентов". Для творческого брейнсторма — "новая метафора", "неожиданная аналогия".
Шаблон промпта
Тема/мотив: {тема дебата или обсуждения}
Роли: {сторона А — позиция}, {сторона Б — позиция}
Количество раундов: {число}
Правило для каждой реплики:
Введи минимум один новый {аргумент/пример/причинный механизм/эффект на
заинтересованные стороны/компромисс}, которого не было в предыдущих репликах.
Развивай мысль дальше, а не повторяй ранее сказанное другими словами.
Начни с реплики {сторона А}, раунд 1.
Плейсхолдеры: {тема дебата} — конкретный вопрос для обсуждения, {число} — сколько раундов реплик, {аргумент/пример/...} — категории новизны, релевантные вашей теме.
🚀 Быстрый старт — вставь в чат:
Вот шаблон для дебатов без повторов. Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит какие роли и позиции нужны, сколько раундов, и какие категории новизны релевантны вашей теме — потому что именно эти поля определяют, где искать новый контент на каждом шаге.
Ограничения
⚠️ Эффект неполный: инструкция разнообразия снижает общий уровень повторов, но не убирает разрыв между языками — на китайском повторение всё равно выше, чем на английском, даже с этой инструкцией.
⚠️ Метод — диагностика, не гарантия: высокое смысловое сходство между репликами не всегда означает "плохой повтор" — это может быть уместный рефрен, уточнение или ответ на контраргумент. Автоматическая оценка слабо совпадает с человеческой разметкой на уровне отдельных пар реплик.
⚠️ Причина разрыва не установлена: исследование не объясняет, почему именно китайский язык даёт такой эффект — это может быть особенность языка, особенность обучающих данных моделей или геометрия эмбеддингов. Дальнейший анализ показал, что часть эффекта связана с самим языком, но не весь.
Ресурсы
Huiqian Lai, Syracuse University — "Do LLM Debates Repeat Arguments Differently Across Languages?". Дебаты построены на архиве World Universities Debating Championship (WUDC). Модели: GPT-5.5, Claude Opus 4.7, DeepSeek-V3.2, Mistral Large 3. Оценка смыслового сходства через эмбеддинги BGE-M3, multilingual-E5-large, LaBSE.