[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-repetition-penalty::ru":3,"gloss-cluster-repetition-penalty::ru":26,"gloss-next-repetition-penalty::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"repetition-penalty","core-ai","Штраф за повторы","Штраф за повторы — параметр декодирования, снижающий вероятность токенов, которые модель уже произвела, чтобы генерация не сваливалась в цикл. Без штрафа модель может попасть в колею: повторять фразу, заново формулировать тот же пункт списка или выдавать одно и то же предложение до упора в лимит токенов — потому что каждый повтор делает следующий более вероятным в данном контексте. Реализации различаются: одни делят оценку любого уже встреченного токена на константу, другие вычитают фиксированную величину (штраф за присутствие), третьи масштабируют вычет по числу вхождений (штраф за частоту). При настройке это различие существенно: штраф за присутствие отбивает у слова желание появиться даже второй раз, а штраф за частоту вмешивается только когда слово стало обычным. Отказ при чрезмерном штрафе коварнее той проблемы, которую он лечит. Задерите значение — и модель начнёт избегать слов, которые обязана повторять: названия продукта, имени переменной, заголовка колонки в таблице, одного и того же ключа в JSON-объекте. Получается текст, который странно читается, а в структурированной генерации попросту не парсится. Поэтому для всего, у чего есть схема, штраф за повторы — плохой инструмент: там правильный рычаг это ограниченное декодирование или режим JSON. Оставьте умеренное значение по умолчанию для свободной прозы, проверьте его на реальной выборке собственных ответов и помните, что зацикливание чаще симптом слабого промпта или слишком длинного контекста, чем проблема декодирования.","Штраф за повторы снижает вероятность уже использованных токенов и разрывает цикл: чем отличаются штрафы за присутствие и частоту и чем вреден перебор.",null,[11,14,17,20,23],{"slug":12,"name":13},"logprobs","Logprobs (логарифмы вероятностей)",{"slug":15,"name":16},"streaming-generation","Потоковая генерация",{"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":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":34},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":52,"category":5,"name":53,"updated_at":38},"computer-vision","Компьютерное зрение",{"slug":55,"category":5,"name":56,"updated_at":34},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":58,"category":5,"name":59,"updated_at":30},"context-window","Контекстное окно",{"slug":61,"category":5,"name":62,"updated_at":38},"deep-learning","Глубокое обучение",{"slug":64,"category":5,"name":65,"updated_at":30},"diffusion-model","Диффузионная модель (Diffusion Model)"]