TL;DR
Если явно и жёстко заявить модели новое правило — порядок, иерархию или связь между понятиями, которая противоречит тому, что она знает по умолчанию — крупная модель по-настоящему перестраивает свою внутреннюю "карту" этих понятий и дальше рассуждает именно по новому правилу, а не по старому. Это работает даже на бессмысленных словах без всякого смысла: модель строит структуру с нуля просто из описания связей.
Модели держат в "голове" готовые шаблоны — например, что дни недели идут по кругу в конкретном порядке. Когда вы противоречите этому в промпте, есть риск, что модель на словах согласится, но внутри продолжит "думать" по-старому и через пару шагов рассуждения соскользнёт на привычный порядок. Исследователи проверили это напрямую, вскрыв внутренние активации модели: если правило дано как жёсткий факт (а не через примеры для подражания), новая структура полностью вытесняет старую — настолько, что если в чужой запрос подставить другую сущность, модель посчитает её "следующую по счёту" уже по новому правилу.
Работает это через одну прямую декларативную фразу вида «единственный верный порядок/иерархия — это …», без объяснений и примеров. Но есть подвох: чем крупнее и умнее модель, тем чище она держит правило до конца диалога. В маленьких и облегчённых моделях эффект слабый, частично пропадает или откатывается на исходные знания.
Схема метода
ШАГ 1: Заяви новое правило как категоричный факт (не через примеры, не "представь что...")
→ одна декларативная фраза в промпте: «единственный верный порядок/иерархия — это X»
ШАГ 2: Задавай вопросы, требующие применения этого правила в рассуждении
→ модель использует новую структуру во всех последующих ответах в диалоге
Оба шага выполняются в рамках одного промпта или последовательных сообщений одного диалога — отдельных запросов не требуется.
Пример применения
Задача: Ты используешь ИИ-ассистента для работы с CRM, но в твоей компании своя последовательность этапов сделки — не похожая на "стандартную" (Лид → Квалификация → Предложение → Закрытие), которую модель наверняка выучила из тонны материалов про продажи. Нужно, чтобы модель всегда рассуждала о сделках по-твоему, а не сваливалась на типовую логику.
Промпт:
Единственный верный порядок этапов сделки в нашей компании:
Разведка → Утепление → Пилот → Контракт → Реактивация.
Никакой другой порядок не действует — забудь про стандартную воронку продаж
(лид-квалификация-предложение-закрытие).
Сделка с клиентом «Ромашка» сейчас на этапе «Утепление».
Какой следующий шаг и что нужно сделать менеджеру, чтобы перевести сделку дальше?
Результат: Модель назовёт следующим этапом именно «Пилот» — по вашей кастомной последовательности, а не по типовой воронке продаж. Если дальше в разговоре спросить про другие сделки на разных этапах, модель продолжит держаться вашей структуры, а не собьётся на привычную. Надёжнее всего это будет работать в топовых моделях (флагманские версии, не облегчённые «мини»-модели).
Почему это работает
Обычно, когда контекст противоречит тому, что модель выучила при обучении, происходит "борьба": выученные шаблоны сильны, и модель может формально согласиться с новым правилом в тексте, но внутри продолжать держать старую структуру — и в какой-то момент рассуждение соскользнёт обратно.
Модель умеет не просто повторять текст правила, а реально перестраивать то, как она мысленно связывает сущности между собой — вплоть до самой формы связи: линия, круг или дерево. Это происходит на уровне внутреннего представления понятий, а не только на уровне слов в ответе.
Категоричная формулировка («единственный верный…», без исключений и без "мягкого" тона на подражание) действует как команда, которая перезаписывает старую структуру целиком, а не просто добавляет к ней альтернативу. Примеры для подражания работают тут слабее — модель может выучить частный случай, но не переключить саму структуру.
Рычаги управления: - Формулировка как факт, а не пример → сильнее переопределяет выученную структуру - Модель крупнее (флагман, не мини-версия) → чище и надёжнее держит правило до конца диалога - Явное указание типа связи (последовательность / иерархия / цикл) → задаёт саму форму мысленной структуры, не только порядок элементов - Прямое противоречие стандартной логике в тексте правила («забудь про…») → усиливает вытеснение старого шаблона
Шаблон промпта
{Единственный верный / действующий} {порядок / иерархия / структура} —
это {твоё описание структуры без исключений и оговорок}.
Забудь про привычную/стандартную {название стандартной схемы, если она есть}.
{Твой вопрос, который требует применения новой структуры к конкретному случаю}
Подставь в {структуру} своё правило целиком и без "мягких" формулировок, в {вопрос} — конкретный кейс, где ответ реально зависит от нового порядка (не просто "повтори правило").
🚀 Быстрый старт — вставь в чат:
Вот шаблон переопределения правил (Context Is King). Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит, какая структура должна заменить стандартную (порядок, иерархия или цикл) и на каком конкретном случае проверить применение — потому что без конкретного вопроса невозможно понять, держит ли модель новое правило или просто повторяет его текст.
Ограничения
⚠️ Требует мощной модели: чистое и стабильное удержание правила до конца диалога работает надёжно только в крупных/флагманских моделях. В лёгких и бюджетных версиях правило может слетать в середине разговора, и модель откатится к стандартным знаниям.
⚠️ Примеры слабее факта: если показать новую структуру через набор примеров (а не через прямое категоричное утверждение), модель хуже полностью вытесняет старую логику — часть старой структуры может проступать в рассуждении.
⚠️ Проверено на простых структурах: последовательности до 12 элементов, деревья глубиной до 4 уровней. Неизвестно, как метод держится на по-настоящему больших и сложных кастомных системах — сотни сущностей, многоуровневые связи.
⚠️ Судить о надёжности можно только по ответам: исследование смотрит на внутренние активации модели, до которых у пользователя чата нет доступа. На практике проверить, действительно ли модель "перестроила карту" или просто хорошо притворяется, можно только через консистентность ответов на протяжении длинного диалога.
Как исследовали
Исследователи взяли восемь моделей трёх семейств (Gemma, Qwen, и Llama как контроль) в разных размерах — от пары миллиардов параметров до 31 миллиарда. Модели просили признать заведомо неверный, перепутанный порядок дней недели, месяцев или часов на циферблате — то есть создавали прямой конфликт между тем, что модель "знает", и тем, что говорит промпт. Чтобы понять, что реально происходит "в голове" модели, а не просто что она пишет в ответе, авторы считывали внутреннее состояние модели прямо перед генерацией ответа и сравнивали, на какую структуру (старую или новую) оно похоже.
Самое убедительное доказательство — не просто похожесть представлений, а эксперимент с подменой: исследователи брали внутреннее представление одной сущности (например, "среда") и подменяли его представлением другой ("понедельник"), а затем смотрели, какой ответ выдаст модель. Оказалось, что ответ следует за новым порядком, заданным в промпте, а не за исходным знанием — то есть модель реально использует эту карту, а не просто её "видит" при анализе.
Главный неожиданный результат — грубая версия новой структуры формируется даже в маленьких моделях легко и почти сразу, но чисто и надёжно её применяет только крупная модель. Это значит, что находка на маленькой модели может не работать на большой того же семейства, и наоборот — что важно для тех, кто тестирует промпты на дешёвых моделях перед использованием на топовых.
Ресурсы
Context Is King: How In-Context Specification Shapes the Geometry of Concepts — Elad David, Max Fomin (Zenity). Код, данные и интерактивные 3D-визуализации: github.com/eladd-ai/context-is-king