Ответы на вводный тест — с объяснением

15 вопросов вводного диагностического теста перед лекцией 1. На каждой странице — вопрос, правильный ответ и развёрнутое объяснение, почему это так.

Сколько моделей размещено на платформе Hugging Face по состоянию на 3 августа 2026 года?

Это число растёт каждый день — новые модели выкладываются буквально постоянно, и никакого единого мирового реестра нейросетей не существует. Большинство из почти 3 миллионов моделей — узкоспециализированные и мало кому известные версии для конкретных задач, а не универсальные ассистенты вроде тех, с которыми вы работаете каждый день. Этот масштаб — хороший повод держать в голове: выбор инструмента под задачу важнее, чем попытка «знать всё».

В каком году МакКаллох и Питтс предложили первую математическую модель нейрона?

Уоррен МакКаллох и Уолтер Питтс описали нейрон как простой «переключатель»: он получает несколько сигналов, и если их набралось достаточно — выдаёт «да», если нет — «нет». Это была не попытка построить настоящий мозг, а математическое доказательство: простые элементы, соединённые в сеть, способны выполнять логические операции. Именно эта идея 80 лет спустя легла в основу современных нейросетей — только простые «выключатели» заменили на более гибкие механизмы.

Дэвид Хьюбел и Торстен Визель провели знаменитый эксперимент, вводя электрод в:

В 1959–1962 годах учёные записывали активность отдельных нейронов зрительной коры и обнаружили: нейроны реагируют не на целые предметы («вот кошка»), а на простейшие элементы картинки — например, на линию под определённым углом. Мозг сначала «видит» отдельные чёрточки и грани, и только потом на следующих уровнях собирает из них полноценные образы. Это открытие вдохновило инженеров на создание свёрточных нейросетей (CNN), которые работают по тому же принципу «от простого к сложному».

Как называется метод, с помощью которого нейросеть «учится на ошибках», сравнивая свой ответ с правильным?

Backpropagation (обратное распространение ошибки) — способ, которым сеть после каждого предсказания сравнивает свой ответ с правильным, находит, где именно ошиблась, и по цепочке подстраивает внутренние параметры, чтобы в следующий раз ошибиться меньше. Это один из пяти факторов, без которых «революция ИИ» осталась бы только теорией — наравне с доступным языком программирования, подходящим железом, большими объёмами данных и функциями активации.

Если результат генерации не устраивает, а исходная информация в целом достоверна — какая из причин обычно первая?

Нейросеть не додумывает за вас то, что вы не сказали — она выполняет буквально то, что написано, ни больше ни меньше. Если в промте не хватает контекста, деталей и уточнений, модель либо додумывает их сама (не всегда так, как вам хотелось бы), либо выдаёт нечто общее и усреднённое. Решение — не «более удачная попытка», а системная детализация запроса: кто/что, где, в каком стиле, какой формат и какие ограничения.

Что из перечисленного НЕ должно быть частью хорошо составленного запроса (промта) к нейросети?

Хороший промт действительно выигрывает от роли, контекста, формата и ограничений — но это не значит «чем больше личных данных, тем лучше». Номер карты, пароли и другие чувствительные данные не улучшают результат генерации и создают ненужный риск утечки, особенно если промт обрабатывается сторонним сервисом. Правило простое: включайте в запрос всё, что помогает модели понять задачу, и ничего, что может навредить, если эти данные куда-то попадут.

Как в популярных инструментах генерации изображений (например, Stable Diffusion) можно усилить влияние конкретного слова в промте?

В Stable Diffusion вес слова задаётся круглыми скобками с числом после двоеточия. У каждого слова есть «вес по умолчанию» — условно 1.0. Запись (тёплая палитра:1.3) означает «усилить влияние тёплой палитры на 30% сильнее, чем остальные слова в промте». Это не заглавные буквы и не повторение слова — это отдельный, точный синтаксис, который нужно знать именно в таком виде.

А если коэффициент, наоборот, меньше 1 — например, (слово:0.7) — что это значит?

Тот же самый синтаксис работает в обе стороны: числа выше 1.0 усиливают влияние слова, числа ниже — ослабляют. Запись (яркие цвета:0.7) значит «сделать яркие цвета заметно менее выраженными», если модель слишком настойчиво их добавляет, а не убрать полностью. Для полного исключения элемента из результата используется другой инструмент — негативный промт, а не ослабление веса до нуля.

Чем синтаксис управления весом слов в Midjourney отличается от Stable Diffusion?

В Midjourney вес задаётся не коэффициентом после двоеточия в скобках, а числом после двойного двоеточия между смысловыми блоками: флэт-иллюстрация::2 тёплая палитра::1 означает, что стиль иллюстрации для модели вдвое важнее, чем конкретная палитра. Это не то же самое, что синтаксис Stable Diffusion — перепутанный синтаксис между инструментами является самой частой причиной, почему «вес слов не работает».

Что делает «негативный промт» при генерации изображений?

Негативный промт — это отдельный список того, что должно быть исключено из результата: смазанность, искажённая анатомия, лишние конечности, текст на изображении, водяные знаки. Это фильтр на входе, а не постфактум — если не зафиксировать нежелательный элемент в негативном промте, велика вероятность, что он повторится в следующих генерациях, особенно если вы делаете серию похожих изображений.

Нужно сгенерировать серию из 5–10 изображений в едином стиле (например, для карусели в соцсетях). Одного хорошего промта для этого обычно:

Один хороший промт даёт одну хорошую картинку. Модель не «помнит» предыдущий результат — если просто повторить тот же промт пять раз, каждый раз генерация будет немного другой: другая поза, другой оттенок, другая композиция. Чтобы серия выглядела единой, нужно жёстче зафиксировать неизменные параметры весом ключевых слов и явно исключить нежелательные отклонения негативным промтом.

Можно ли поручить самой нейросети улучшить ваш же промт, прежде чем получать финальный результат?

Это называется мета-промтинг — промт для промта, а не для результата. Модель выступает в роли эксперта по промт-инжинирингу: сначала задаёт уточняющие вопросы (что нужно, для какой аудитории, в каком стиле), а затем предлагает сразу несколько вариантов — минимальный, детальный и экспериментальный. Это переводит вас из позиции «пользователь, который печатает» в позицию «оператор, который направляет процесс».

Если вы регулярно составляете похожие промты, где меняются только отдельные детали (название, дата, тон) — какой подход экономит время?

Это техника шаблонизации с переменными: один раз собирается промт с полями вроде {название_курса}, {дата}, {тон}, а дальше просто подставляются новые значения вместо того, чтобы переписывать запрос с нуля каждый раз. Особенно полезно для массовой, повторяющейся генерации — серий баннеров, карточек, рассылок — превращает промт-инжиниринг из разового творчества в производственный процесс.

Какой из подходов позволяет проверить сгенерированный текст на возможные ошибки, не выходя из диалога с моделью?

Это принцип «Зеркала»: вместо того чтобы просто попросить модель что-то написать, вы вторым шагом просите её саму себя перепроверить — «найди три потенциальные ошибки в своём утверждении». Это не гарантия стопроцентной точности — модель может не найти собственную ошибку, — но это ощутимо снижает риск и встраивает проверку прямо в рабочий процесс, до публикации.

Работа через корпоративный агрегатор нейросетей (в отличие от прямого доступа к модели) обычно означает:

Корпоративный агрегатор обычно даёт больше контроля над тем, куда уходят данные — это плюс для конфиденциальности. Но за это часто приходится расплачиваться ограниченным набором моделей или урезанными функциями по сравнению с прямым доступом. Разница между этими двумя способами доступа — не абстрактный технический нюанс, а часть уравнения, которая напрямую влияет на то, какой результат вы получите от одного и того же промта.

Разбор всех 15 вопросов завершён

Если что-то из инструментов промт-инжиниринга оказалось новым — на лекции 4 августа разберём это подробно, с живой практикой на тренажёре промтов.