[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-in-context-learning::ru":3,"gloss-cluster-in-context-learning::ru":20,"gloss-next-in-context-learning::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"in-context-learning","prompt-eng","Контекстное обучение (In-Context Learning)","Контекстное обучение (in-context learning, ICL) — это возникающая способность больших языковых моделей адаптироваться к новой задаче, формату или паттерну исключительно на основе информации, представленной в промпте во время инференса — инструкций, примеров или демонстраций, — без каких-либо обновлений градиентов, дообучения или переобучения весов модели. Это теоретическая основа как для zero-shot промптинга (обучение только по инструкции), так и для few-shot промптинга (обучение по разобранным примерам), и считается одним из самых удивительных и важных возникающих свойств трансформерных LLM, обученных на больших масштабах: малые модели демонстрируют слабую способность к контекстному обучению или вовсе её не проявляют, тогда как достаточно крупные модели, обученные на разнообразных данных, способны улавливать новые форматы — даже отчасти произвольные или придуманные — всего по нескольким примерам в одном промпте. Для разработчиков SaaS понимание ICL объясняет, почему промпт-инжиниринг вообще работает и почему он часто предпочтительнее дообучения для многих продакшен-задач: поскольку модель может «выучить» задачу мгновенно из содержимого промпта, команды могут адаптировать универсальные базовые модели под специфичные для компании задачи (собственные схемы категоризации, голос бренда, нестандартные форматы вывода) без затрат, задержек и нагрузки MLOps, связанных с обучением и хостингом кастомной дообученной модели — «обучающими данными» здесь служат просто примеры, которые вы вставляете в промпт и повторно отправляете при каждом вызове. Компромисс по сравнению с дообучением в том, что ICL «забывает» паттерн в тот момент, когда начинается новый разговор (ничто не сохраняется за пределами одного промпта\u002Fокна контекста), и расходует окно контекста и бюджет токенов при каждом запросе, тогда как дообучение навсегда встраивает паттерн в веса модели ценой обучающего пайплайна и меньшей гибкости. На практике большинство продакшен-функций ИИ в SaaS целиком полагаются на контекстное обучение через хорошо продуманные промпты и обращаются к дообучению только тогда, когда накапливается значительный объём, задача стабильно определена и есть давление по стоимости\u002Fзадержке, оправдывающее инвестиции. Разобранный пример: инструменту в сфере legal-tech нужно классифицировать пункты договоров по собственной таксономии компании из 15 категорий, на которой ни одна публичная модель никогда не обучалась. Вместо дообучения команда включает в промпт по 2 примера на категорию (всего 30 примеров), показывая текст пункта, сопоставленный с точными метками категорий. Модель, никогда не видевшая эту таксономию во время обучения, корректно классифицирует новые пункты, сопоставляя их со структурой примеров — рабочая демонстрация того, как контекстное обучение мгновенно решает по-настоящему новую задачу, ценой более длинного и дорогого промпта при каждом вызове. По мере роста объёма у команды это становится и естественной точкой принятия решения о дообучении: как только определение задачи стабилизируется (таксономия перестаёт меняться), а объём вызовов становится достаточно высоким, чтобы повторяющаяся стоимость токенов на 30 контекстных примеров при каждом запросе превысила разовую стоимость запуска дообучения, встраивание паттерна в веса модели становится более экономичным долгосрочным выбором — контекстное обучение обычно правильная отправная точка, а дообучение — правильная оптимизация, когда задача и её экономика уже доказаны.","Контекстное обучение — способность модели освоить новую задачу по примерам или инструкциям в промпте, без обновления её весов.",null,[11,14,17],{"slug":12,"name":13},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)",{"slug":15,"name":16},"fine-tuning","Дообучение (Fine-Tuning)",{"slug":18,"name":19},"zero-shot-prompting","Zero-shot-промптинг (промптинг без примеров)",[21,25,28,31,35,38,41,44,47,50,53,56],{"slug":22,"category":5,"name":23,"updated_at":24},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":26,"category":5,"name":27,"updated_at":24},"automatic-prompt-optimization","Автоматическая оптимизация промптов",{"slug":29,"category":5,"name":30,"updated_at":24},"chain-of-density","Цепочка плотности (CoD)",{"slug":32,"category":5,"name":33,"updated_at":34},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":24},"chain-of-verification","Chain-of-Verification",{"slug":39,"category":5,"name":40,"updated_at":34},"chunking","Чанкинг (Chunking)",{"slug":42,"category":5,"name":43,"updated_at":34},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":45,"category":5,"name":46,"updated_at":34},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":48,"category":5,"name":49,"updated_at":34},"delimiter","Разделитель (Delimiter)",{"slug":51,"category":5,"name":52,"updated_at":24},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":54,"category":5,"name":55,"updated_at":24},"emotion-prompting","Emotion Prompting",{"slug":12,"category":5,"name":13,"updated_at":34}]