TL;DR
Когда вы даёте модели сразу несколько задач в одном запросе с ограничением на длину рассуждения (например, просите решить 10 вопросов или проверить 15 пунктов договора), модель решает их строго по порядку появления в тексте, а не по важности. Она не выбирает, с чего начать по выгоде — она просто идёт последовательно, как студент, решающий билеты по номерам.
Даже если вы прямо напишете "этот вопрос стоит 15 баллов, а этот — 1 балл", модель это проигнорирует. Она тратит больше всего "мыслей" на первые вопросы, а к последним либо не доходит совсем, либо уделяет им пару секунд. Чем больше вопросов в списке — тем хуже: при 20 вопросах модель может вообще не притронуться к половине из них. Причина простая: у модели нет внутреннего "счётчика выгоды" — она не прикидывает заранее, где отдача больше, она просто продолжает читать сверху вниз, пока не кончится запал.
Единственное, что немного помогает — попросить модель сначала распланировать, сколько сил потратить на каждый вопрос, прежде чем отвечать. Это делает распределение внимания равномернее (модель охватывает больше пунктов), но не заставляет её приоритизировать важное — она просто размазывает те же силы поровну, вместо того чтобы направить их куда нужно.
Схема находки
БЕЗ подсказки: Вопрос 1 (много токенов) → Вопрос 2 (меньше) → ... → Вопрос N (0 токенов)
Порядок решения = порядок появления в тексте
Указанная "ценность" вопроса — роли не играет
С просьбой "распланируй бюджет": то же самое, но токены размазаны равномернее
Приоритет по важности — всё равно НЕ появляется
Пример применения
Задача: Вы просите ChatGPT проверить договор на 15 пунктов. Три пункта критичны (штрафы, ответственность, расторжение), остальные — формальность (реквизиты, даты).
Промпт (плохой вариант — так делают почти все):
Проверь этот договор на риски. Особое внимание обрати на пункты 4, 9 и 13 —
там штрафные санкции и условия расторжения. Вот все 15 пунктов: [текст]
Что произойдёт: модель подробно разберёт пункты 1-2-3, к пункту 4 (критичному) отнесётся уже бегло, а до 13-го может не дойти вообще — "особое внимание" в тексте не перевешивает эффект порядка.
Промпт (рабочий вариант):
У меня есть договор из 15 пунктов. Три из них критичны (штрафы, ответственность,
расторжение), остальные — формальность.
Сначала перечисли, в каком порядке ты будешь их разбирать, начиная с самых
рискованных, независимо от того, в каком порядке они идут в тексте ниже.
Потом разбирай именно в этом порядке.
Пункты договора: [текст, где критичные пункты ВРУЧНУЮ переставлены в начало]
Результат: модель распределит внимание равномернее по всем 15 пунктам (за счёт просьбы спланировать), а перестановка критичных пунктов в начало гарантирует, что именно на них уйдёт больше всего "мыслей" — потому что порядок в тексте остаётся единственным работающим рычагом.
Почему это работает
У модели нет внутреннего "калькулятора выгоды" — она не сравнивает вопросы между собой перед тем, как начать решать. Она реактивна: заходит в задачу и продолжает думать, пока не кончится "запас" на неё, а не проактивна — не решает заранее, что задача А важнее задачи Б.
При этом модель отлично умеет следовать структуре текста — это её сильная сторона. Порядок абзацев, порядок пунктов списка — то, что она честно уважает.
Метод (если это можно назвать методом) просто использует эту сильную сторону: раз модель слушается порядка текста, а не слов "важно" или "15 баллов" — переставляйте важное физически в начало запроса, а не помечайте словами.
Рычаги управления: - Порядок вопросов в тексте → самый сильный и единственный надёжный рычаг. Важное — первым. - Слова "важно", "приоритет", цифры-баллы → почти не работают, не тратьте на них силы. - Просьба "сначала распланируй, потом решай" → помогает модели дойти до большего числа пунктов (не бросить на середине), но не меняет приоритеты. - Количество вопросов в одном запросе → чем больше, тем хуже деградация. Если у вас список из 15+ пунктов — дробите на 2-3 отдельных запроса.
Шаблон промпта
У меня есть {количество} задач/вопросов. Их важность неравна:
1. {задача_1} — важность: {высокая/средняя/низкая}
2. {задача_2} — важность: {высокая/средняя/низкая}
...
Прежде чем отвечать, сначала перечисли порядок, в котором ты будешь их разбирать —
начни с самых важных, независимо от того, в каком порядке они перечислены выше.
Затем разбирай их именно в этом порядке, уделяя больше внимания важным задачам.
Вот сами задачи (расставлены по важности — сначала важные):
{задача с наивысшей важностью}
{задача со средней важностью}
{задача с низкой важностью}
🚀 Быстрый старт — вставь в чат:
Вот шаблон работы с несколькими задачами разной важности. Адаптируй под мою задачу:
{твоя задача}. Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит какие у вас задачи и какая у них важность — потому что без ручной расстановки порядка модель всё равно решит их по порядку появления, а не по значимости.
Ограничения
⚠️ Планирование не решает главную проблему: даже попросив модель распланировать бюджет заранее, она не начинает ориентироваться на важность — она просто равномернее раскидывает те же силы. Расставлять приоритеты руками всё равно придётся вам.
⚠️ Нет промпта-волшебной палочки: словесные пометки "важно", "критично", указание баллов — не работают. Единственный рычаг — физический порядок в тексте.
⚠️ Чем больше пунктов, тем хуже: при 20+ вопросах в одном запросе до половины из них модель может не коснуться вообще. Если список длинный — дробите его на несколько сообщений.
Как исследовали
Исследователи взяли задачи по математике (OmniMATH) и по коду (CRUXEval-O) и собрали из них "экзамены" — пачки по 5, 10 и 20 вопросов с указанными баллами и общим лимитом токенов на рассуждение. Модели (пять открытых — разные DeepSeek-R1-Distill и Qwen3, и две через API — DeepSeek-V4) должны были максимизировать суммарный балл, свободно решая, сколько токенов потратить на каждый вопрос.
Чтобы отследить, куда уходит "внимание", авторы размечали текст рассуждения по меткам Q1, Q2... и считали, сколько токенов ушло на каждый вопрос и в каком порядке модель их реально решала — не по тому, что она упомянула, а по тому, где она реально работала.
Дальше сравнили реальное распределение с "идеальным" — как если бы модель решала задачи как рюкзак-задачу (сначала самое выгодное по соотношению баллы/сложность). Оказалось, что совпадение с "выгодным" выбором не выше случайного, а совпадение с "порядком появления в тексте" — почти максимальное (0.75-0.8 из 1). Это и есть главный неожиданный вывод: модель ведёт себя не как расчётливый стратег, а как студент, который решает билеты по номерам, не глядя на баллы за них.