TL;DR
Когда ты добавляешь требования к рассказу по ходу диалога — сначала жанр, через пять сообщений персонажа, потом внезапно вспоминаешь про особую фразу, которая должна быть в тексте — итоговая история получается структурно хуже, чем если бы ты дал все требования сразу в одном промпте. Причём модель может формально выполнить все пункты твоего списка требований — и текст всё равно будет разваливаться на пацинг, причинно-следственные связи и подготовку к развязке.
Дело в том, что модель не умеет возвращаться назад и переписывать уже сгенерированный текст с учётом новой информации. Она пишет линейно и просто "подшивает" новое требование к тому, что уже написано — как будто вставляет абзац в готовый текст, а не пересобирает историю с нуля. Разброс по моделям огромный: одна теряет всего 12% качества при постепенной подаче, другая — больше половины.
Исследователи ввели метрику Creative Integrity — совместную оценку "выполнил ли требования" + "получилась ли связная история". При постепенной подаче требований модели в среднем сохраняют только 71% от той целостности, которую дают при полном брифе сразу. И даже когда две версии рассказа формально одинаково соблюдают требования, версия, написанная "с полным брифом на входе", всё равно получается структурно более цельной.
Схема метода (что происходит и что делать)
ЧТО ЛОМАЕТ КАЧЕСТВО:
Требование 1 → модель пишет кусок текста
Требование 2 (через 3 сообщения) → модель "подшивает" его к готовому тексту
Требование 3 → снова патч, а не пересборка
= структура рассыпается, даже если все требования формально выполнены
ЧТО РАБОТАЕТ ЛУЧШЕ:
Все требования сразу в одном промпте → модель планирует всю историю целиком → выше связность
ИЛИ, если требования появились по ходу:
Собери накопленный список → попроси переписать текст с нуля целиком
Пример применения
Задача: Ты пишешь сценарий для рекламного скетча про стартап-доставку для Reels/VK-клипа. Начинаешь диалог с ChatGPT, а по ходу вспоминаешь детали: "а пусть будет мем про курьера", "а в конце — твист, что заказчик сам был курьером".
Как делают обычно (плохо):
Промпт 1: Напиши скетч про доставку еды, 30 секунд, смешной.
[модель пишет]
Промпт 2: Добавь туда шутку про то, что курьер вечно опаздывает.
[модель добавляет шутку в готовый текст]
Промпт 3: А в конце сделай твист — заказчик сам оказался бывшим курьером.
[модель дописывает твист в конец]
Результат — скетч, где шутка про опоздание торчит отдельным куском, а твист не подготовлен заранее: зритель не поймёт, почему это неожиданно и смешно.
Как делать лучше:
Промпт (всё сразу):
Напиши сценарий рекламного скетча про доставку еды для Reels, 30 секунд.
Должно быть смешно. Обязательно:
- шутка про то, что курьер вечно опаздывает
- твист в конце: заказчик оказывается бывшим курьером
Построй сюжет так, чтобы твист был подготовлен заранее —
зритель должен пересмотреть начало по-новому, когда узнает правду.
Или если требования уже появились по ходу диалога:
Вот все требования к скетчу, которые я тебе давал в этом диалоге:
[список]
Перепиши сценарий с нуля целиком — не редактируй прошлый текст,
а создай новую версию, где все эти требования встроены с самого начала.
Результат: Модель заранее закладывает "крючки" под твист и интегрирует шутку в общий ритм сцены, а не вставляет её как отдельную реплику. Итоговый текст получится более цельным — читатель или зритель не почувствует "швов" между добавленными кусками.
Почему это работает
Модель генерирует текст линейно, слово за словом, и когда ты добавляешь требование после того, как часть текста уже написана, у неё нет механизма "вернуться и переписать всё с учётом нового условия" — она просто встраивает требование в то, что уже есть. Это и есть слабость: локальное исправление вместо глобального перепланирования.
Сильная сторона LLM — она отлично планирует историю целиком, если видит все условия сразу перед тем, как начать писать. Именно поэтому цельный бриф в начале работает лучше: модель может заранее продумать арку истории, подготовить твисты, распределить темп.
Рычаг управления: если чувствуешь, что твоя задача накопила много правок по ходу диалога — не проси "добавь ещё", а собери финальный список требований и попроси написать текст с нуля. Это единственный способ заставить модель перепланировать, а не патчить.
Ограничения
⚠️ Модели проверяли только открытые (open-weight), не топовые закрытые модели. Неизвестно, насколько сильно эффект проявляется у GPT-5/Claude/Gemini последних версий — возможно, они лучше держат структуру при постепенной подаче.
⚠️ Эффект силён именно в творческом письме с 5–9 шагами диалога. Для деловых текстов, где важна только фактическая точность, а не сюжетная связность, деградация может быть меньше или другой природы.
⚠️ Автоматическая оценка не всегда совпадает с человеческой — особенно по критерию оригинальности: автоматический судья считал, что постепенная подача даже немного улучшает оригинальность, а живые читатели — наоборот. Не доверяй автоматическим оценкам творческого текста как абсолютной истине.
Как исследовали
Команда взяла 160 заданий на короткие рассказы в шести жанрах (фэнтези, детектив, романтика, фантастика, историческая проза, комедия) и для каждого сделала два варианта: весь бриф сразу и тот же бриф, но раздробленный на 5–9 сообщений диалога. Прогнали через шесть открытых моделей — получилось 960 парных сравнений.
Качество оценивали по чек-листу выполненных требований и пяти параметрам текста (структура, мастерство письма, оригинальность, соответствие жанру, персонажи), причём часть оценок делала LLM-судья, а часть — три живых человека на 50 парах, чтобы проверить, совпадают ли автоматические оценки с человеческими.
Самое интересное: даже когда отбирали только пары, где обе версии текста одинаково хорошо выполнили чек-лист требований, версия с постепенной подачей всё равно оказывалась структурно слабее. Это значит, что проверка "выполнены ли все пункты" — недостаточна: рассказ может формально пройти все галочки и при этом быть хуже собран как история. Разброс между моделями (от 45% до 88% сохранённого качества) показывает, что устойчивость к постепенным правкам — отдельное свойство модели, не связанное напрямую с её общим уровнем.
Ресурсы
The Effects of Incremental Instruction Delivery on Language-Model Creative Writing — Anshuman Singh, Haseeb Yaqoob, Abrar Eyasir, John Manavalan. Датасет и код: github.com/solusops/SISTER-2026-Team19