И именно поэтому он работает у меня точнее, чем у большинства. В моей работе много данных, даже сейчас в собственном проекте уже они есть. Когда ты интерпретируешь аналитику по сегментам клиентов, а не пишешь стихи, галлюцинации заставляют испытывать боль. Модель уверенно говорит про данные, которых нет, и выдаёт фантазию за факт 😒

Я решил не спорить, а строить поверх неё консенсус-модель: ◽️даю историчные выполненные задания, если они есть как контекст ◽️один и тот же запрос гоняю 5 раз в параллельных ветках до результата ◽️даю другому ассистенту на базе API Claude 4 Sonnet  задачу сверить результаты (он знает в чем нюанс и зачем сверять) ◽️он подсвечивает расхождения и собирает финальный вывод

Галюны почти исчезли + расхождения мне подсвечиваются. Да, дороже, но мне важнее точность.

А теперь апдейт из MIT https://news.mit.edu/2025/themis-ai-teaches-ai-models-what-they-dont-know-0603 Исследователи нашли способ, как сами модели смогут сигналить, что придумали чушь прямо в момент генерации. Вот это круто, скоро всё это будет без костылей, а пока костыли — мой выбор ❤