[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-catastrophic-forgetting::ru":3,"gloss-cluster-catastrophic-forgetting::ru":26,"gloss-next-catastrophic-forgetting::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"catastrophic-forgetting","core-ai","Катастрофическое забывание (Catastrophic Forgetting)","Катастрофическое забывание — склонность нейросети терять ранее усвоенные способности, когда её дообучают на новых данных. Дообучите сильную базовую модель узко на своих тикетах поддержки — и она может отлично освоить ваш домен, но при этом незаметно просесть в общем рассуждении, форматировании или в поведении по безопасности, которое было у неё раньше: новые градиенты перезаписывают веса, кодировавшие старые навыки. Для SaaS-разработчиков это скрытый риск дообучения: вы оптимизируете одну метрику и деградируете по другим, которые не измеряли. Среди способов смягчения — подмешивать общие данные обратно в обучающую выборку, использовать лёгкие адаптеры вроде LoRA, оставляющие базовые веса замороженными, держать низкую скорость обучения и — часто самый простой ответ — вообще отказаться от дообучения в пользу retrieval и хороших промптов. Если всё же дообучаете, всегда проверяйте модель на широком отложенном наборе, а не только на целевой задаче, чтобы поймать регрессии раньше пользователей. Модель, которая блестяще знает ваш домен, но разучилась соблюдать инструкции по форматированию, — это чистый проигрыш.","Катастрофическое забывание — потеря уже имевшихся у модели навыков при дообучении на новых данных: лучше в вашем домене, тихо хуже во всём остальном.",null,[11,14,17,20,23],{"slug":12,"name":13},"fine-tuning","Дообучение (Fine-Tuning)",{"slug":15,"name":16},"instruction-tuning","Инструктивное дообучение (Instruction Tuning)",{"slug":18,"name":19},"llm-benchmark","Бенчмарк LLM (LLM Benchmark)",{"slug":21,"name":22},"lora","Низкоранговая адаптация (LoRA)",{"slug":24,"name":25},"model-collapse","Коллапс модели (Model Collapse)",[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":38},"beam-search","Лучевой поиск",{"slug":46,"category":5,"name":47,"updated_at":34},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"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)"]