Elias Thorne LLM: почему нейросети пишут один сюжет
Разбираем, почему Elias Thorne стал повторяющимся персонажем LLM, что показало исследование на 20 000 историях и как проверять разнообразие генераций.
Elias Thorne LLM: почему нейросети пишут один сюжет
Elias Thorne LLM - это свежий пример того, как разные большие языковые модели при бедном творческом запросе сходятся к одному безопасному шаблону: старый маячник, часовщик или библиотекарь, туман, шторм, тихая мораль в финале. По состоянию на 12 июня 2026 года история уже не выглядит как забавная случайность. 404 Media, разработчик Daniel May и исследователи Sil Hamilton и David Mimno из Cornell показывают один и тот же нерв: проблема не в имени Elias Thorne, а в низком разнообразии ответов.
Если коротко: когда пользователь просит модель «write a story in 10 sentences» и почти ничего не уточняет, модель выбирает не самый оригинальный вариант, а самый безопасный и легко оцениваемый. Для массовой генерации контента это неприятный сигнал. Одинаковый сюжет можно не заметить в одном чате, но он становится видимым, когда таких ответов тысячи: в блогах, книгах, роликах, SEO-страницах и учебных материалах.
Что произошло с Elias Thorne
11 июня 2026 года 404 Media выпустила материал Samantha Cole о том, что ChatGPT, Gemini, Claude и другие LLM часто возвращаются к историям про маячников, часовщиков и персонажа Elias Thorne. В статье есть важная связка: Daniel May заметил этот паттерн раньше на практических примерах, а Hamilton и Mimno проверили его уже как исследовательскую задачу.
В препринте Elias in the Lighthouse, Again?, отправленном на arXiv 26 мая 2026 года, авторы собрали 20 000 историй от четырех актуальных моделей по пяти промптам. Они нашли 11 слов, которые встречались в 88,3% историй. Среди них имена Elias, Mara и Elara, место lighthouse и профессии clockmaker и librarian. Разница между моделями была небольшой, что и делает историю интересной: повторяется не один конкретный бот, а целый класс моделей.
404 Media отдельно отмечает, что Elias Thorne вышел за пределы чат-окон: имя встречается в самиздат-книгах, видео и низкокачественных сайтах. Здесь нужна аккуратность. Нельзя автоматически объявлять каждый такой пример ИИ-контентом без отдельной проверки. Но сама миграция шаблона из ответа модели в публичный веб выглядит правдоподобно и уже достаточно заметна, чтобы воспринимать ее как симптом AI-slop.
Почему LLM сходятся к одному сюжету
У этой истории нет одного доказанного виновника. Hamilton и Mimno говорят осторожно: маленькие наборы preference data в сочетании с сильными алгоритмами alignment могут непропорционально влиять на то, что модель считает хорошим ответом. Проще: если при пост-тренировке модель часто видит безопасные, литературно гладкие истории, она учится считать такие истории правильной траекторией.
Плохой промпт усиливает эффект. Запрос вроде «напиши рассказ» не задает жанр, эпоху, конфликт, стиль, запрет на штампы или критерий разнообразия. Модель закрывает пустоты сама. И часто выбирает не смелое решение, а нейтральную сцену, которая выглядит «литературно», не вызывает конфликтов и легко получает хорошую оценку.
Есть и второй слой: синтетические данные. Если одна модель генерирует учебные примеры, а другая модель потом учится на этих примерах или на наборах, производных от них, стиль начинает ходить по кругу. 404 Media приводит объяснение Hamilton: разработка моделей похожа на большое семейное дерево, где разные лаборатории прямо или косвенно используют данные, созданные предыдущими моделями. В такой системе маленький удачный шаблон может пережить много поколений.
Фактор → как он снижает разнообразие ответа
| Фактор | Что происходит | Как это проявляется |
|---|---|---|
| Бедный промпт | Модель сама выбирает жанр, персонажа и конфликт. | Ответ уходит в самый безопасный архетип: маяк, старик, шторм, мораль. |
| Preference data | Пост-тренировка поощряет ответы, которые выглядят гладкими и безвредными. | Повторяются «хорошо оцененные» элементы: Elias, Mara, Elara, clockmaker, librarian. |
| Alignment | Модель избегает рискованных тем и конфликтных сюжетов. | Побеждает стерильная драматургия: красиво, безопасно, но однотипно. |
| Синтетические данные | Шаблон, созданный одной моделью, попадает в данные для других моделей. | Похожие сцены появляются у разных провайдеров, а не только в одной линейке. |
| Массовая генерация | Один и тот же паттерн масштабируется тысячами ответов. | Имя и сюжет выходят в книги, видео, SEO-страницы и низкокачественные сайты. |
Где проходит граница доказанного
Главная ошибка здесь - написать, что alignment «доказанно породил Elias Thorne». Это слишком сильное утверждение. Исследование показывает низкое разнообразие и находит следы похожих токенов в preference data. Дальше начинается объяснение механизма: пост-тренировка, safety-фильтры и синтетические данные могли сделать такой сюжет особенно привлекательным для моделей.
Для разработчика вывод всё равно практический. Если продукт генерирует тексты массово, нельзя проверять качество по одному красивому примеру. Нужно считать разнообразие: повторяющиеся имена, профессии, места, первые фразы, сюжетные дуги. Иначе команда увидит «хороший» ответ в демо, а пользователи получат тысячу вариаций одного маячника.
Здесь полезен обычный промпт-инжиниринг, но он не решает всё. Да, конкретный запрос снижает риск шаблона: можно задать жанр, ограничения, запрет на повторяющиеся архетипы, требование к неожиданному конфликту. Но если модель уже имеет сильный внутренний уклон, лучше дополнить промпты автоматической проверкой выходов.
Почему история всплыла именно сейчас
Контекст вокруг LLM быстро меняется. 9 июня 2026 года Anthropic представила Claude Fable 5: модель для долгих задач, кодинга и агентных сценариев. Официальная цена на странице Anthropic - $10 за 1 млн входных токенов и $50 за 1 млн выходных токенов, плюс скидка 90% на cached input. Simon Willison уже показал, как Fable в Claude Code сама поднимала тестовые страницы, открывала браузеры, снимала скриншоты и строила локальный CORS-сервер для отладки UI-бага.
Это не значит, что Fable связана с Elias Thorne. Связка другая: модели становятся автономнее, а цена генерации и запуска агентных задач остаётся предметом конкуренции. Reuters/The Standard со ссылкой на WSJ 12 июня сообщили, что OpenAI рассматривает резкое снижение token pricing в ожидании борьбы с Anthropic; Reuters при этом оговорил, что не смог независимо подтвердить сообщение WSJ. Даже как неподтвержденный рыночный сигнал это важно: если токены дешевеют, однотипный контент тоже дешевеет.
Так появляется неприятная формула: автономные агенты умеют делать больше, генерация стоит дешевле, а внутренние шаблоны моделей становятся массовым стилем интернета. Поэтому статья про Elias Thorne не про одно странное имя. Она про контроль качества в мире, где LLM производят не абзац для чата, а тысячи единиц контента и действий.
Как проверять output diversity на практике
Минимальный тест несложный. Возьмите 50-100 запусков одного сценария на разных температурах и seed, если API их поддерживает. Считайте не только среднюю оценку качества, но и повторяемость сущностей: имена, места, профессии, первые предложения, развязки. Для текстовых продуктов это часто важнее, чем еще один общий балл «нравится / не нравится».
Второй шаг - проверять соседние модели. Если один и тот же шаблон появляется у разных провайдеров, это уже не локальный баг конкретной версии. Тогда стоит менять постановку задачи: добавлять отрицательные примеры, задавать диапазон жанров, принудительно варьировать персонажей, а для массовой публикации запускать дедупликацию смысловых шаблонов.
Третий шаг - честно отмечать ограничения. В статье про alignment мы уже разбирали, что безопасность модели не сводится к запрету опасных ответов. Иногда «безопасное» поведение само создаёт побочный эффект: ответы становятся прилизанными, похожими и слишком предсказуемыми. Для новостных, образовательных и медицинских тем это уже не эстетическая проблема, а риск доверия.
Главное
Elias Thorne стал удобным именем для более широкой проблемы. Когда разные LLM повторяют маячника, часовщика и библиотекаря, мы видим не мистику и не один смешной сбой. Мы видим след пост-тренировки, оценочных данных, синтетических цепочек и слабых промптов.
Для читателя Toolarium практический вывод простой: если вы строите продукт на генерации текста, проверяйте не только «насколько ответ хорош», но и «насколько ответы разные». Иначе ваша система может выглядеть умной в демо, а на масштабе начать писать один и тот же рассказ под разными именами.
Читайте также
- Промпт-инжиниринг: как писать запросы к ИИ без магии
- Безопасность ИИ: что такое alignment и почему это важно
- arXiv вводит годовой бан за непроверенный AI-slop в препринтах
Источники и проверка фактов
- 404 Media: Chatbots Keep Telling Stories About Lighthouse Keeper 'Elias Thorne', опубликовано 11 июня 2026 года; использовано для исходной новости, контекста Daniel May, Amazon/YouTube-примеров и комментариев исследователей.
- arXiv:2605.26492, submitted 26 мая 2026 года; использовано для данных про 20 000 историй, четыре модели, пять промптов и 88,3% историй с 11 повторяющимися словами.
- Daniel May: Cheap agents, alumni shirts, and Elias Thorne, опубликовано 12 мая 2026 года; использовано для скриншотов и первичного наблюдения про повторяющийся lighthouse/Elias-паттерн.
- Simon Willison: Claude Fable is relentlessly proactive, опубликовано 11 июня 2026 года; использовано как пример роста автономности агентных моделей.
- Anthropic: Claude Fable 5, проверено 12 июня 2026 года; использовано для даты анонса, позиционирования, цены и 30-дневного хранения данных.
- The Standard / Reuters: OpenAI considers drastic price cuts, опубликовано 12 июня 2026 года; использовано только как осторожный рыночный контекст со ссылкой на WSJ и оговоркой Reuters о неподтвержденности.
