Выравнивание (alignment)

Только что предобученная модель просто предсказывает текст. Она с равной лёгкостью продолжит рецепт, гневную тираду или ветку форума и понятия не имеет, что должна быть ассистентом. Выравнивание — это всё, что превращает её в ассистента: примеры хороших ответов при дообучении с учителем, оценки её вывода людьми или ИИ, обучение на предпочтениях вроде RLHF, системный промпт, задающий рамку каждого чата, а иногда фильтры до или после модели. Исследователи описывают цели как полезность, честность и безвредность, и эти цели тянут в разные стороны.

Настоящие споры начинаются вокруг компромиссов. Модель, выровненная очень осторожно, отклоняет пограничные запросы, добавляет предупреждения и подстраховывается в ответах. Модель, выровненная слабо, следует инструкциям буквальнее и оставляет больше решений за тем, кто спрашивает. Ни один из вариантов не нейтрален: в каждом заложено решение о том, кто определяет, что приемлемо, и это решение зашито в весах, а не только в видимом списке правил. Избыточный отказ — такой же измеримый сбой, как и вредное послушание.

Выравнивание к тому же несовершенно. Моделями можно управлять формулировками, они могут вести себя в длинном чате иначе, чем на тесте, и выглядеть выровненными, лишь научившись так выглядеть. Поэтому разработчики продолжают их тестировать, и поэтому распространён многоуровневый подход из обучения, правил и мониторинга. Для пользователей практический урок прост: две модели с одинаковыми сырыми способностями могут ощущаться совершенно по-разному из-за того, как каждая выровнена. Это хорошо видно по тому, как модель обходится с запросом из серой зоны: одна ответит прямо, другая с оговорками, третья откажет, хотя все обучены на схожем материале. Опубликованные карточки моделей и системные документы описывают поведение, задуманное каждым разработчиком, а независимые тестировщики проверяют его фиксированными наборами вопросов, чтобы заявления можно было сопоставить с наблюдаемым поведением.

NeverNo предлагает модели двух семейств, и их выравнивание различается тем, кто его задаёт. Claude, GPT, Gemini и Grok анонимизированы: NeverNo отправляет запрос без твоего имени, аккаунта и IP-адреса, но разработчик всё равно применяет свои правила к прочитанному. Приватные модели — открытые, например Qwen 3.5 35B — бесплатная модель от Alibaba, которая читает изображения и позволяет выбрать, рассуждать ли ей. Их выравнивание — то, что заложили авторы при обучении, а обслуживают их провайдеры, выбранные за то, что они не хранят запросы.

Какую бы модель ты ни выбрал, жёсткие ограничения NeverNo остаются теми же: ничего, что касается несовершеннолетних, ничего о реальных людях без их согласия и никакой реальной помощи в причинении серьёзного вреда другим. Каталог не публикует, как обучалась каждая модель, поэтому о выравнивании ты судишь, пользуясь моделью. Страница о нейросети без цензуры объясняет, как NeverNo отвечает прямо и хранит твою историю в браузере.