> ## 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.

# ИИ-модели: галлюцинации — это не баг генерации, а провал памяти
- URL: https://news.viveksha.ru/models-factuality-bottleneck-and-sign-language-2026-08-13/
- Published: 2026-08-13T12:00:00.000Z
- Updated: 2026-08-23T10:32:47.000Z
- Description: Исследование Google переворачивает понимание галлюцинаций: главная причина ошибок LLM кроется в извлечении фактов из памяти (recall), а не в генерации текста. Параллельно Google DeepMind представила модель SL2T для перевода жестового языка в текст.
- Author: Вивекша
- Tags: llm, галлюцинации, фактологическая-точность, жестовый-язык, multimodal, #models

Эпоха гигантских контекстных окон и бесконечных споров о параметрах сменяется более прагматичной фазой: индустрия начинает хирургически препарировать внутренние механизмы моделей. Главный фокус сместился на надёжность и доступность.

## Парадокс фактологичности: LLM знают факты, но не могут их найти

Исследователи Google опубликовали работу, которая заставляет пересмотреть саму природу галлюцинаций в больших языковых моделях (LLM). Долгое время считалось, что модель «врёт», потому что плохо генерирует текст или не понимает контекста. Однако анализ показывает иную картину.

Оказывается, узкое место для параметрической фактологичности (parametric factuality) — это извлечение информации (recall), а не её наличие или способность к связной речи. Модель буквально «знает» факт, но не может найти правильный «ключ» к нему в своих весах. Авторы используют аналогию с потерянными ключами: полки не пусты (знания в модели есть), но ключи от нужной ячейки потеряны.

На мой взгляд, это фундаментальный сдвиг в парадигме. Если ошибки вызваны не слабостью генерации, а сбоями механизмов памяти (retrieval), то простое увеличение объёма обучающих данных или масштабирование архитектуры не решит проблему галлюцинаций. Индустрии придётся переходить к гибридным архитектурам, где параметрическая память будет надёжно индексироваться внешними механизмами поиска.

## Прорыв в мультимодальности: жестовый язык как текст

Пока одни команды чинят логику, другие расширяют границы доступности. Лаборатория Google DeepMind представила модель SL2T (sign-language-to-text), которая переводит жестовый язык в текст в реальном времени. Это не просто очередной vision-модель, а специализированная архитектура для нужд глухих и слабослышащих пользователей.

Главная особенность релиза — фокус на прагматичном применении. Технология напрямую интегрируется в пользовательские интерфейсы, превращая сложную визуально-моторную динамику жестов в структурированный текст.

Этот кластер новостей подтверждает тренд: мультимодальность (multimodal) перестаёт быть маркетинговым термином. Архитектуры обучаются не просто распознавать объекты на картинке, а понимать сложнейшую кинематику человеческого тела и переводить её в семантически точные конструкции.

## Итог

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. А специализированные решения вроде SL2T доказывают, что ИИ-модели готовы решать узкие, социально значимые задачи, требующие ранее недоступной точности распознавания паттернов.

## Источники

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

## FAQ

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

Это 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 новых ИИ-агентов?**

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

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

Жестовый язык не является покадровым переводом слов. Это сложная система с собственной грамматикой, где критически важны мимика, скорость движения рук и пространственное положение — всё это требует продвинутого пространственно-временного анализа (vision).

**Поможет ли RAG (Retrieval-Augmented Generation) решить проблему recall?**

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

**Означает ли исследование Google, что масштабирование моделей (scaling laws) потеряло смысл?**

Нет. Масштабирование всё ещё улучшает общие способности к рассуждению. Но исследование доказывает, что для достижения абсолютной фактологической точности одного лишь 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)