TL;DR
Если ты спросишь у ChatGPT без веб-поиска "какие есть сервисы для X" один раз — увидишь только часть того, что модель вообще способна назвать. Задай тот же вопрос 15 раз подряд — и почти в каждом случае модель продолжит выдавать новые, ранее не названные бренды даже на пятнадцатом повторе. Список не заканчивается.
Причина проста: без доступа к интернету модель каждый раз пересобирает ответ из вероятностей, а не достаёт готовый список из памяти. Поэтому один запрос показывает то ли 60%, то ли 70% от того, что модель могла бы сказать — угадать сколько именно, нельзя. А если спросить разные модели (GPT, Claude, Gemini) — их наборы рекомендаций почти не совпадают: половина брендов встречается только у одной модели из шести.
Решение прямое: включай веб-поиск, если он есть — тогда список стабилизируется быстро (закрывается уже к 10 повторам). Если поиска нет — переспрашивай несколько раз и объединяй ответы, а лучше опроси несколько разных моделей и сложи результаты — это покажет картину полнее, чем любой один запрос.
Схема принципа
ШАГ 1: Если есть веб-поиск (Perplexity, ChatGPT с browsing) — используй его
→ короткий, быстро стабилизирующийся список (обычно закрывается за 8-10 повторов)
ШАГ 2: Если поиска нет — задай вопрос заново 5-10 раз в новых чатах
→ объединяй уникальные названия, список продолжит расти даже на 15-м повторе
ШАГ 3: Спроси одно и то же у 2-3 разных моделей (GPT, Claude, Gemini, Perplexity)
→ объединяй результаты — пересечение между моделями низкое
Пример применения
Задача: Маркетолог выбирает сервис для email-рассылок для малого бизнеса и хочет собрать максимально полный список вариантов, а не первые 5 очевидных названий.
Промпт (повторить в 3-5 новых чатах, без сохранения контекста):
Какие сервисы для email-маркетинга подойдут малому бизнесу в России?
Назови все варианты, которые знаешь, включая менее известные и нишевые —
не ограничивайся самыми популярными.
Результат: В каждом отдельном запросе появится 5-8 названий, но набор будет немного отличаться от чата к чату — где-то всплывёт UniSender, где-то — Sendsay, где-то — менее известный игрок. Если задать этот же вопрос в Claude и в Perplexity (с поиском) — список пополнится сервисами, которых не было у GPT. Объединив 3-5 таких запросов из разных моделей, получишь список в 2-3 раза длиннее, чем от одного запроса к одной модели.
Почему это работает
Языковая модель без доступа к интернету не хранит "список всех email-сервисов" как файл — она генерирует ответ по вероятностям на основе того, что видела при обучении. Каждый повтор запроса — это новая случайная выборка из этого распределения, поэтому редкие, но валидные варианты (не только "шум") всплывают то в одном запуске, то в другом.
Модель с веб-поиском работает иначе: она реально ищет и опирается на конечный набор страниц в выдаче — поэтому её список короче и закрывается быстрее, обычно за 8-10 повторов.
Разные модели обучены на разных данных и по-разному расставляют приоритеты, поэтому их "топ рекомендаций" почти не пересекается. Значит, если тебе нужна полная картина рынка — один движок её не даёт, нужно опросить несколько.
Рычаги управления: - Хочешь быстрый и достаточно полный список → включи веб-поиск - Хочешь исчерпывающий список за счёт времени → переспрашивай 5-10 раз в новых чатах, без памяти о предыдущих ответах - Хочешь максимальное покрытие → комбинируй 2-3 разные модели
Ограничения
⚠️ Не для фактов с одним правильным ответом: принцип касается открытых списков (бренды, сервисы, книги), а не вопросов типа "сколько будет 2+2".
⚠️ Число "достаточных" повторов не определено: даже 15 повторов у моделей без поиска не гарантируют, что список исчерпан — граница "хватит переспрашивать" исследованием не установлена.
⚠️ Объединять списки нужно вручную: автоматического способа собрать все ответы в один список нет — придётся сверять самому или просить саму модель на финальном шаге сравнить и объединить результаты разных запусков.
Как исследовали
Исследователи взяли 50 деловых вопросов вроде "какую CRM выбрать" и задавали их 15 раз подряд шести моделям: пять без веб-поиска (GPT, Claude, Gemini, Grok, Mistral) и одну с поиском (Perplexity). Каждый ответ разбирали построчно и вытаскивали названия компаний — так набрали почти 1500 брендов на 300 связок "вопрос-модель".
Результат удивил тем, насколько устойчиво пять моделей без поиска продолжали выдавать новые бренды даже на пятнадцатом повторе — это происходило в 86-92% случаев. Модель с поиском, наоборот, в большинстве случаев останавливалась и повторяла уже названные варианты. Отсюда логичный вывод: разница не в самой модели, а именно в наличии или отсутствии доступа к реальному поиску.
Дополнительно проверили, насколько одна модель покрывает "рынок" рекомендаций — оказалось, что лучшая из шести моделей называет только 83% от объединённого списка всех шести, а половина всех найденных брендов встречается лишь у одной модели из шести.
Ресурсы
Sampling Completeness in Generative Search: Brand and Cited-Domain Accumulation under Repeated Queries, Dmitrij Żatuchin, Estonian Entrepreneurship University of Applied Sciences (EUAS) и Rankfor.AI, Таллин. Данные и код: Zenodo (10.5281/zenodo.20788142), GitHub (Rankfor/rankfor-open).