GigaChat

Происхождение и история термина

GigaChat — название продукта. В сообщении от 24 апреля 2023 года Сбер представил его как нейросетевой сервис, доступный на первом этапе для тестирования по приглашениям. В анонсе перечислялись диалог, создание текстов, кода и изображений. Это историческое описание запуска, а не перечень действующих сегодня условий доступа. ^[2]

В дальнейшем возможности получили пользовательскую документацию: справка о работе с документами опубликована 2 октября 2024 года и обновлена 28 октября 2026 года. Даты относятся к справочной странице; считать их датами появления самой функции было бы ошибкой. ^[1]

Суть и механизм

Генеративная нейросеть создаёт ответ по запросу. Такой запрос называют промптом. В официальной справке GigaChat он описан как текст, на основе которого формируется ответ; там же показана возможность добавлять нумерованные ссылки на источники. ^[1] Поэтому у редактора есть две разные задачи: понятно объяснить, какой результат нужен, и проверить, на чём основаны фактические утверждения.

Разницу между поиском сведений и написанием ответа помогает понять RAG — retrieval-augmented generation, генерация с привлечением найденных материалов. В работе Lewis и соавторов поисковый компонент извлекает фрагменты документов, а генератор использует их вместе с запросом при создании текста. Это описание исследовательского подхода, а не установленная схема устройства GigaChat. ^[3] Для пользователя существенен практический вопрос: можно ли проследить путь от конкретного утверждения к документу, который его подтверждает.

В GigaChat документированы анализ файлов DOCX, PDF и TXT, ответы на вопросы по ним и выделение главных тезисов. ^[1] Поддерживаемое расширение файла, однако, ещё не является проверкой конкретного пересказа. Если в отчёте рядом стоят показатели за разные годы, редактор должен убедиться, что ответ сохранил соответствие между числом и периодом. Просьба указать страницу или таблицу облегчает такую сверку, но указанное место тоже нужно открыть.

Виды и классификации

Для редакционной работы удобно разделить задания по тому, что считается успешным результатом. Это предложенная здесь рабочая классификация, а не официальные режимы или названия моделей GigaChat.

Создание вариантов — например, пяти заголовков к уже проверенной новости. Критерии здесь задаёт редактор: понятность, длина, соответствие содержанию. Преобразование текста — сокращение или упрощение; здесь важно сохранить смысл и существенные оговорки. Извлечение сведений — поиск даты, числа или условия в приложенном документе; ответ должен совпадать с указанным местом. Подготовка справки по источникам требует дополнительной проверки каждого внешнего основания.

Одно задание может соединять несколько видов работы. Если попросить кратко пересказать отчёт и придумать заголовок, точность пересказа и удачность заголовка оценивают отдельно. Удачный заголовок не исправляет ошибку в цифрах, а верно выписанные числа сами по себе не обеспечивают понятного объяснения.

Как применяется на практике

Учебный пример: региональное издание готовит заметку о городских автобусах. В вымышленном публичном отчёте указано, что в прошлом году закупили двадцать автобусов, а в текущем — тридцать; сведения о среднем времени ожидания отсутствуют. Для упражнения используется специально составленный файл без персональных данных.

Редактор задаёт запрос: «Сравни закупки за два года. Для каждого числа укажи таблицу. Не делай выводов о времени ожидания, если таких данных нет». После ответа он проверяет исходные строки. Закупка выросла на десять автобусов, или на пятьдесят процентов относительно прошлогодних двадцати. Из этих чисел нельзя вывести, что пассажиры стали ждать транспорт вдвое меньше: для такого вывода нужны другие данные.

В международной методологии похожее разделение задач предлагает исследование RAGAS: различать соответствие ответа исходному контексту, соответствие вопросу и уместность найденного контекста. Контекст здесь — материалы, предоставленные модели для ответа. ^[4] В учебном примере правильные числа отвечают первому критерию; разговор об истории автобусного завода вместо сравнения закупок нарушил бы второй. Это перенос принципа оценки на редакционную задачу, а не результат испытаний GigaChat авторами исследования.

Как измерить или проверить

Ниже — редакционная процедура ручной проверки. Сначала ответ разбивают на отдельные проверяемые утверждения. Фраза «закупили тридцать автобусов и сократили ожидание» содержит два тезиса: подтверждение закупки не подтверждает изменение ожидания. Для каждого тезиса записывают источник, точное место и итог сверки. Сложные случаи лучше обсуждать до подсчёта, чтобы два проверяющих одинаково понимали, что считать отдельным утверждением.

Учебная доля подтверждённых тезисов рассчитывается так:

Здесь N — число всех проверяемых фактических тезисов ответа, C — число тезисов, подтверждённых прочитанными материалами. Непроверенные утверждения остаются в знаменателе. Если из двадцати тезисов подтверждены пятнадцать, доля равна семидесяти пяти процентам. При отсутствии проверяемых тезисов показатель не рассчитывают: нулевой знаменатель не означает ни провал, ни безошибочность ответа.

Идея сопоставлять отдельные утверждения с контекстом используется в метрике faithfulness (соответствие ответа переданному контексту) исследования RAGAS. Там проверку выполняет языковая модель; здесь предложена ручная редакционная процедура, поэтому результаты не следует называть оценкой RAGAS. ^[4]

Один процент не заменяет разбор ошибок. Неподтверждённый адрес и небольшая неточность в описании могут иметь разную важность. Кроме того, ответ способен получить высокую долю подтверждения, пропустив главный вопрос. Поэтому отдельно отмечают полноту ответа, сохранение оговорок и наличие существенных ошибок. Для повторной проверки сохраняют запрос, входной файл, ответ и дату; учебные результаты не превращают в универсальный рейтинг сервиса.

Ошибки, ограничения и спорные вопросы

Уверенная формулировка может создавать ложное впечатление доказанности. Национальный институт стандартов и технологий США, NIST, описывает риск правдоподобных ошибочных ответов генеративного искусственного интеллекта, включая вымышленные ссылки. Такие ошибки часто называют галлюцинациями. ^[5] Повторный вопрос самой модели может помочь уточнить ответ, но не заменяет чтение документа.

В профиле NIST AI 600-1 рекомендовано проверять источники и ссылки и избегать широких выводов из узких испытаний. Это руководство по управлению рисками в рамках добровольного подхода, а не сертификат качества конкретного сервиса. ^[5] В редакционной процедуре открывшаяся ссылка засчитывается только после сопоставления с тезисом. Подтверждение по устаревшей версии документа не решает задачу, если вопрос относится к текущим условиям.

Ещё одна ошибка — считать описание возможностей обещанием результата. Возможность создать рекламный текст не доказывает рост продаж, а возможность сократить документ не гарантирует сохранения всех исключений. В рабочем задании полезнее определить проверяемые требования, чем просить просто «сделать хорошо».

Правовой аспект

По российскому закону №152-ФЗ персональные данные — сведения, относящиеся к определённому или определяемому человеку; передача таких сведений входит в понятие обработки. Для обработки требуется применимое основание из части 1 статьи 6, а согласие является одним из предусмотренных оснований. Использованы пункты 1 и 3 статьи 3 и часть 1 статьи 6 в редакции закона от 26 июля 2026 года. ^[6]

Наличие файла у сотрудника само по себе не разрешает передавать его внешнему сервису. Поэтому перед загрузкой документа с данными людей необходимо оценить основание именно предполагаемой обработки. Это общий ориентир из указанных норм, а не заключение о правомерности конкретной передачи: условия работы организации и сервиса требуют отдельной юридической оценки.

Частые вопросы

Связанные термины

• Большая языковая модель (LLM)
• Галлюцинации ИИ
• RAG (поиск с генерацией)
• Промпт
• ИИ в редакции