> ## Content Index
> Fetch the complete content index at: https://news.viveksha.ru/llms.txt
> Use this file to discover other available public pages before exploring further.

# Что произошло с ИИ-моделями: галлюцинации — это провал памяти, а не генерации
- URL: https://news.viveksha.ru/ai-models-august-13-2026-factuality-bottleneck/
- Published: 2026-08-13T12:00:00.000Z
- Updated: 2026-08-23T10:32:23.000Z
- Description: Google доказала: главная причина галлюцинаций LLM — не генерация, а извлечение фактов из памяти. Параллельно DeepMind выпустила модель SL2T для перевода жестового языка в текст.
- Author: Вивекша
- Tags: llm, галлюцинации, фактологическая-точность, жестовый-язык, мультимодальность, #models

Исследователи Google доказали: главная причина галлюцинаций LLM — не генерация, а извлечение фактов из памяти (recall). Параллельно Google DeepMind представила модель SL2T для перевода жестового языка в текст в реальном времени.

## TL;DR

- **Галлюцинации:** Модель «знает» факт, но не может найти «ключ» к нему в своих весах
- **Recall, не generation:** Узкое место — извлечение, а не наличие знаний
- **SL2T:** Жестовый язык → текст в реальном времени для глухих и слабослышащих
- **Сдвиг:** От экстенсивного роста (больше параметров) к интенсивному (надёжность)

## Кратко: что произошло

| Событие             | Кто             | Суть                                     | Почему важно                     |
| ------------------- | --------------- | ---------------------------------------- | -------------------------------- |
| Recall — bottleneck | Google Research | Галлюцинации = сбой памяти, не генерации | Меняет подход к архитектурам     |
| SL2T                | Google DeepMind | Жестовый язык → текст real-time          | Мультимодальность без маркетинга |

## Почему LLM галлюцинируют: провал памяти, а не генерации

Исследователи Google опубликовали работу, переворачивающую понимание галлюцинаций. Долгое время считалось, что модель «врёт» из-за плохой генерации или непонимания контекста. Анализ показывает иное.

Узкое место для параметрической фактологичности — извлечение информации (recall), а не её наличие. Модель буквально «знает» факт, но не может найти правильный «ключ» в своих весах. Авторы используют аналогию: полки не пусты (знания есть), но ключи от нужной ячейки потеряны.

Это фундаментальный сдвиг. Если ошибки вызваны сбоями механизмов памяти, а не слабостью генерации, то увеличение объёма данных или масштабирование архитектуры не решит проблему галлюцинаций. Индустрии придётся переходить к гибридным архитектурам, где параметрическая память индексируется внешними механизмами поиска.

## Как SL2T переводит жестовый язык в текст

Google DeepMind представила SL2T (sign-language-to-text) — модель, переводящую жестовый язык в текст в реальном времени. Это не очередная vision-модель, а специализированная архитектура для глухих и слабослышащих пользователей.

Технология напрямую интегрируется в пользовательские интерфейсы, превращая визуально-моторную динамику жестов в структурированный текст. Мультимодальность перестаёт быть маркетинговым термином — архитектуры понимают сложнейшую кинематику человеческого тела и переводят её в семантически точные конструкции.

## Мнение редакции

Мы наблюдаем переход от экстенсивного роста (больше параметров, больше данных) к интенсивному развитию. Понимание того, почему модели ошибаются (бутылочное горлышко recall), позволит создавать компактные, но сверхнадёжные архитектуры. Специализированные решения вроде SL2T доказывают: ИИ-модели готовы решать узкие, социально значимые задачи с ранее недоступной точностью.

## Источники

1. [Google Research — Empty shelves or lost keys? Recall is the bottleneck](https://research.google/blog/empty-shelves-or-lost-keys-recall-is-the-bottleneck-for-parametric-factuality/?ref=news.viveksha.ru)
2. [Google DeepMind — Putting sign language AI into users' hands](https://deepmind.google/blog/putting-sign-language-ai-into-users-hands/?ref=news.viveksha.ru)

## FAQ

**Что такое параметрическая фактологичность (parametric factuality)?**

Способность языковой модели хранить и воспроизводить факты, опираясь исключительно на внутренние веса нейросети, без обращения к внешним базам данных или поиску.

**Почему выводы Google важны для разработки ИИ-агентов?**

Если главная причина галлюцинаций — сбой извлечения (recall), то архитектуры агентов должны фокусироваться на улучшении механизмов маршрутизации к памяти, а не на дообучении генерации.

**В чём сложность перевода жестового языка для ИИ?**

Жестовый язык — не покадровый перевод слов. Это система с собственной грамматикой, где критичны мимика, скорость движения рук и пространственное положение. Требуется продвинутый пространственно-временной анализ.

**Поможет ли RAG решить проблему recall?**

Частично. RAG переносит поиск фактов во внешнее хранилище, минуя параметрическую память. Но модель всё равно должна корректно извлекать релевантную информацию из контекста, что оставляет риск ошибок маршрутизации.

**Означает ли это, что масштабирование моделей потеряло смысл?**

Нет, масштабирование улучшает способности к рассуждению. Но для фактологической точности одного масштаба недостаточно — требуются архитектурные изменения в механизмах памяти.

## Источники

1. [https://deepmind.google/blog/putting-sign-language-ai-into-users-hands/](https://deepmind.google/blog/putting-sign-language-ai-into-users-hands/?ref=news.viveksha.ru)
2. [https://research.google/blog/empty-shelves-or-lost-keys-recall-is-the-bottleneck-for-parametric-factuality/](https://research.google/blog/empty-shelves-or-lost-keys-recall-is-the-bottleneck-for-parametric-factuality/?ref=news.viveksha.ru)