[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-beam-search::ru":3,"gloss-cluster-beam-search::ru":26,"gloss-next-beam-search::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"beam-search","core-ai","Лучевой поиск","Лучевой поиск (beam search) — стратегия декодирования, при которой вместо выбора одного токена на каждом шаге одновременно поддерживается несколько кандидатов-продолжений. Декодер держит фиксированное число частичных последовательностей — ширину луча, — расширяет каждую, оценивает результаты по накопленной вероятности и оставляет лучшие. В конце возвращается полная последовательность с наибольшей оценкой. По сравнению с жадным декодированием, которое всегда берёт локально самый вероятный токен и не умеет отыгрывать назад после неудачного раннего выбора, лучевой поиск обходит достаточную часть дерева, чтобы найти варианты, начинающиеся невыразительно, но заканчивающиеся хорошо. Его естественная область — задачи с одним правильным ответом: машинный перевод, распознавание речи, структурированное извлечение, код, который обязан разбираться парсером. Для открытой генерации он подходит куда хуже. Оптимизация суммарной вероятности систематически предпочитает короткий, осторожный и повторяющийся текст — поэтому свободные ассистенты обычно работают на выборке, управляемой температурой и top-p. Второй фактор — стоимость: луч ширины четыре стоит примерно вчетверо дороже жадного декодирования при той же длине вывода. Большинство размещённых чат-API вообще не открывают лучевой поиск, так что на практике это рычаг для случая, когда модель запускается своими силами, у задачи есть единственный верный ответ и заплатить за него дешевле, чем многократно сэмплировать и выбирать.","Лучевой поиск удерживает несколько кандидатов при декодировании: почему он подходит переводу и извлечению и почему чат-модели вместо него сэмплируют.",null,[11,14,17,20,23],{"slug":12,"name":13},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":15,"name":16},"speculative-decoding","Спекулятивное декодирование (Speculative Decoding)",{"slug":18,"name":19},"temperature","Температура (Temperature)",{"slug":21,"name":22},"top-k","Top-k (выборка по k лучшим)",{"slug":24,"name":25},"top-p","Top-p (нуклеус-сэмплирование)",[27,31,35,39,42,45,48,51,54,57,60,63],{"slug":28,"category":5,"name":29,"updated_at":30},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":36,"category":5,"name":37,"updated_at":38},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":40,"category":5,"name":41,"updated_at":30},"attention","Внимание (Attention)",{"slug":43,"category":5,"name":44,"updated_at":34},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":34},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":38},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":34},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":30},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":38},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":30},"diffusion-model","Диффузионная модель (Diffusion Model)",{"slug":64,"category":5,"name":65,"updated_at":34},"direct-preference-optimization","Прямая оптимизация предпочтений (DPO)"]