Честный DeepSeek: как писать промты, которые отключают цензуру и галлюцинации

Модель не врет злонамеренно — она оптимизируется под «безопасность» и «угодничество». Разберём, как изменить целевую функцию промтом и заставить её выдавать факты, неуверенность и противоположные взгляды.

Принципы RLHFГотовые шаблоныПроверка ответа

Почему модель уходит от прямого ответа

DeepSeek, как и любая крупная LLM, проходит два этапа обучения: предобучение на массиве текста и дообучение с подкреплением по обратной связи людей (RLHF). На втором этапе ассессоры оценивают ответы по критериям «полезность», «безопасность», «честность». Но «безопасность» часто побеждает: модель учится избегать рискованных суждений, сглаживать углы, добавлять отмазки в духе «как языковая модель я не могу…».

Получается «налог на выравнивание» (alignment tax): качество рассуждения падает ради соответствия корпоративным гайдлайнам. Модель становится угодливой (sycophancy) — соглашается с пользователем даже когда тот не прав — и склонной к галлюцинациям, лишь бы не сказать «не знаю».

Честный промт — это не взлом, а смена целевой функции на время диалога. Мы явно переопределяем веса: фактическая точность > вежливость, призназнание незнания > вымышленный ответ, стальманнинг > согласование.

Условная схема: как RLHF трансформирует сырое знание в «безопасный» ответ

Пять принципов промта для честности

1. Персона «Холодный читатель»

Задайте роль: эксперт, который ценит точность выше удобства. Запретите угодничество. Пример: «Ты — независимый аналитик. Твоя цель — максимальная фактическая точность. Если не знаешь — пиши «Не знаю». Если вопрос спорный — давай аргументы всех сторон без оценки».

2. Жёсткий формат вывода (XML/JSON)

Структура заставляет модель «думать» перед ответом. Требуйте раздельные блоки: <reasoning>, <answer>, <confidence>, <counterarguments>. Это снижает галлюцинации на 30–40 % по внутренним тестам.

3. Эпистемическая смирение (Uncertainty)

Явно требуйте калибровку уверенности: «Оцени уверенность в ответе от 0 до 100 %. Если ниже 70 % — начни с «Скорее всего» или «Данных недостаточно». Укажи, каких данных не хватает». Это ломает режим «всегда отвечаю уверенно».

4. Негативные ограничения (Negative Constraints)

Говорите, чего НЕ делать: «Не используй фразы: «как модель», «важно отметить», «в целом», «значительный аспект». Не придумывай цитаты. Не сглаживай противоречия. Не пиши вводные слова для вежливости». Негативные инструкции работают надёжнее позитивных.

5. Цикл верификации (Self-Consistency)

Добавьте шаг самопроверки: «После формирования ответа проверь каждый факт. Есть ли источник? Противоречит ли это известным данным? Если нашёл ошибку — исправь и перевыдай». Можно запустить 2–3 параллельных генерации и сравнить (Consistency Check).

Обычный промт vs Промт для честности

Стандартный подход

> Расскажи про перспективы
квантовых компьютеров
в криптографии.

Результат: Общий обзор, оптимистичный тон, отсутствие конкретных сроков, рисков или альтернативных мнений. Модель «угощает» читателя безопасным консенсусом.

Промт для честности

<system>
Ты — независимый эксперт по квантовым вычислениям.
Правила:
1. Факты > мнения. Нет источника — пиши «нет данных».
2. Уверенность в % для каждого утверждения.
3. Обязателен блок <counterarguments>.
4. Запрещены: угодничество, вводные слова, вымышленные цитаты.
</system>

<user>
Перспективы квантовых компьютеров в криптографии.
Формат: XML (reasoning, answer, confidence, counterarguments, gaps).
</user>

Результат: Структурированный разбор: алгоритмы (Shor, Grover), реалистичные сроки (NIST PQC), физические ограничения (декогеренция), альтернативы (постквантовая криптография), пробелы в данных.

Готовый мастер-промт (копируйте и адаптируйте)

honest_system_prompt.xml

<system_prompt>
[РОЛЬ]
Ты — независимый исследователь и критик. Твоя единственная цель —
максимальная эпистемическая точность. Ты не ассистент, ты — эксперт,
который платит за каждую ошибку репутацией.

[ПРИНЦИПЫ]
1. ИСТИНА > УДОБСТВО. Лучше «Не знаю», чем вымышленный факт.
2. НЮАНС > КОНСЕНСУС. Всегда показывай разброс мнений.
3. СКЕПТИЦИЗМ > УГОДНИЧЕСТВО. Проверяй предпосылки вопроса.
4. СТРУКТУРА > ПОТОК. Мысли в тегах, факты — с источниками.

[ЗАПРЕТЫ (HARD NEGATIVE CONSTRAINTS)]
— Никаких фраз: «как языковая модель», «важно отметить»,
  «в целом», «ключевой аспект», «значительный», «пейзаж».
— Никаких извинений, отмазок, морализирования.
— Никаких вымышленных цитат, ссылок, статистики.
— Не сглаживай противоречия. Не объединяй несводимые взгляды.
— Не используй маркетинговые прилагательные (революционный,
  передовий, уникальный) без определений.

[ФОРМАТ ВЫВОДА — ОБЯЗАТЕЛЬНЫ XML-ТЕГИ]
<reasoning> Пошаговый разбор предпосылок, поиск контрфактов,
оценка достоверности источников. </reasoning>
<answer> Прямой ответ на запрос. Только факты. </answer>
<confidence> Число 0-100 для КАЖДОГО ключевого утверждения. </confidence>
<counterarguments> Сильнейшие аргументы против твоего вывода. </counterarguments>
<gaps> Каких данных не хватает для роста уверенности до 90%+. </gaps>
<sources>> Конкретные статьи, доклады, датасеты (или «нет открытых данных»). </sources>
</system_prompt>

Используйте как системный промт (System Prompt) в настройках чата или как первое сообщение в новом диалоге. Для API — передавайте в параметре system.

Три ловушки, которые вернут модель в режим «угодника»

Вопрос-ловушка (Leading Question)

«Почему технология X лучше Y?» — модель начнет искать аргументы «за», даже если X хуже. Лечение: переформулируйте в промте: «Сравни X и Y по критериям А, Б, В. Дай аргументы за и против каждого. Не выбирай победителя заранее».

Скрытая роль (Implicit Persona)

Если вы пишете «Объясни просто», модель надевает маску «популяризатора» и упрощает до неточности. Лечение: явно задавайте уровень: «Объясни для инженера с 5-летним опытом, но без знания этой узкой области. Используй аналогии, но не теряй точность в определениях».

Отсутствие формата проверки

Без блока <confidence> и <counterarguments> модель скользит в режим сторителлинга. Лечение: всегда требовать структурированный вывод. Если модель игнорирует теги — повторяйте запрос с фразой «Вы нарушили формат. Выдайте строго по схеме».

Честность — это протокол, а не личность

Нет универсального «промта-панцеи». Модели дрейфят, контекст переполняется, инструкции конфликтуют. Рабочий процесс: задать системный промт → требовать структуру → верифицировать вывод → корректировать промт под конкретную задачу.

Лучший промт — тот, который заставляет модель показать свою работу, а не только результат.

Честный DeepSeek: как писать промты, которые отключают цензуру и галлюцинации