Что стоит вынести из Thoughts-as-Planning для редакционных команд
Thoughts-as-Planning интересен не как очередной academic paper, а как полезная рамка для работы с текстами, которые должен понять и человек, и LLM. Суть подхода в том, что цепочка рассуждений рассматривается как последовательность решений в латентном пространстве: не просто набор слов, а управляемая структура, где правки меняют итоговый ответ.
Для редакций это хороший повод ещё раз посмотреть на собственные шаблоны. Если модель реагирует на порядок аргументов, то значит, структура текста становится частью качества, а не только оформлением. Это особенно заметно в FAQ, объясняющих материалах, product-led статьях и контенте под AI Search, где ответ собирается из фрагментов и смысловых блоков.
Что можно забрать в работу уже сейчас: проектировать материалы так, чтобы ключевой тезис был виден рано, а поддержка тезиса шла короткими и логичными шагами; не перегружать один блок несколькими задачами; проверять, как текст ведёт себя при сокращении, перестановке и точечных правках. Для контент-системы это не теория, а способ сделать материалы более устойчивыми к тому, как их будут читать поисковые и LLM-системы.
Если нужен ориентир, это направление показывает: качество текста всё чаще зависит от его внутреннего маршрута, а не только от финальной формулировки.
Thoughts-as-Planning интересен не как очередной academic paper, а как полезная рамка для работы с текстами, которые должен понять и человек, и LLM. Суть подхода в том, что цепочка рассуждений рассматривается как последовательность решений в латентном пространстве: не просто набор слов, а управляемая структура, где правки меняют итоговый ответ.
Для редакций это хороший повод ещё раз посмотреть на собственные шаблоны. Если модель реагирует на порядок аргументов, то значит, структура текста становится частью качества, а не только оформлением. Это особенно заметно в FAQ, объясняющих материалах, product-led статьях и контенте под AI Search, где ответ собирается из фрагментов и смысловых блоков.
Что можно забрать в работу уже сейчас: проектировать материалы так, чтобы ключевой тезис был виден рано, а поддержка тезиса шла короткими и логичными шагами; не перегружать один блок несколькими задачами; проверять, как текст ведёт себя при сокращении, перестановке и точечных правках. Для контент-системы это не теория, а способ сделать материалы более устойчивыми к тому, как их будут читать поисковые и LLM-системы.
Если нужен ориентир, это направление показывает: качество текста всё чаще зависит от его внутреннего маршрута, а не только от финальной формулировки.
Почему редакциям нужен детектор ошибок, а не только генератор текста
В одном из свежих исследований по клиническим саммари показали любопытную вещь: качество текста растёт заметнее, когда модель не просто пишет ответ, а перепроверяет его по ходу правки. Авторы сравнили два подхода — итеративную доработку с детекторами ошибок и дообучение на предпочтениях, собранных из таких траекторий.
Для редакционных процессов это очень похоже на нормальную систему производства контента. Нельзя полагаться только на первый драфт, даже если он выглядит гладко. В сложных темах выигрывает цепочка из нескольких этапов: черновик, факт-чек, редакторская правка, финальная вычитка. Именно эта связка снижает количество выдуманных фрагментов и не даёт тексту расползаться по смыслу.
Для команд, которые используют AI в медицине, финансах, legal или других YMYL-вертикалях, вывод прямой: важно не количество генерации, а наличие встроенного контроля. Если инструмент умеет сомневаться в себе и править ошибки до публикации, он лучше подходит для системного конвейера, чем модель, которая просто быстро выдаёт связный текст.
В одном из свежих исследований по клиническим саммари показали любопытную вещь: качество текста растёт заметнее, когда модель не просто пишет ответ, а перепроверяет его по ходу правки. Авторы сравнили два подхода — итеративную доработку с детекторами ошибок и дообучение на предпочтениях, собранных из таких траекторий.
Для редакционных процессов это очень похоже на нормальную систему производства контента. Нельзя полагаться только на первый драфт, даже если он выглядит гладко. В сложных темах выигрывает цепочка из нескольких этапов: черновик, факт-чек, редакторская правка, финальная вычитка. Именно эта связка снижает количество выдуманных фрагментов и не даёт тексту расползаться по смыслу.
Для команд, которые используют AI в медицине, финансах, legal или других YMYL-вертикалях, вывод прямой: важно не количество генерации, а наличие встроенного контроля. Если инструмент умеет сомневаться в себе и править ошибки до публикации, он лучше подходит для системного конвейера, чем модель, которая просто быстро выдаёт связный текст.
S²ER и Agentic ASR: новый инструмент для оценки смысла AI-ответов
Обычные метрики вроде WER (Word Error Rate) считают ошибки на уровне токенов, но не отражают, потерян ли смысл предложения. В новой работе от SJTU предложен Agentic ASR — замкнутый цикл для автоматического распознавания речи с семантической коррекцией и оценкой. Ключевая часть — метрика S²ER (Sentence-level Semantic Error Rate). Она замеряет, насколько изменился смысл на уровне предложения, а не слов.
На мультиязычных и code-switching сценариях S²ER показала, что итеративная коррекция снижает семантические ошибки гораздо заметнее, чем токен-уровневые метрики. Для контентных команд, которые интегрируют AI-генерацию в свои пайплайны, это прямой сигнал. Если ваша система выдачи или чат-бота опирается только на точность совпадения символов, вы рискуете пропускать смысловые искажения. Особенно это заметно в сценариях с именами собственными, кодом, смешением языков и короткими ответами.
Что можно внедрить сейчас? Добавить S²ER-подобную метрику в пайплайн оценки AI-ответов рядом с обычными точностными метриками. Авторы выложили код и demo, так что можно адаптировать. Для редакций, работающих с генерацией контента, это способ экономить на ручной проверке: вы автоматически отсеиваете несмысловые варианты ещё до публикации. Инструмент не заменяет человеческий контроль, но делает его более точечным.
По этой же логике полезен @DeskAdCreatives
Обычные метрики вроде WER (Word Error Rate) считают ошибки на уровне токенов, но не отражают, потерян ли смысл предложения. В новой работе от SJTU предложен Agentic ASR — замкнутый цикл для автоматического распознавания речи с семантической коррекцией и оценкой. Ключевая часть — метрика S²ER (Sentence-level Semantic Error Rate). Она замеряет, насколько изменился смысл на уровне предложения, а не слов.
На мультиязычных и code-switching сценариях S²ER показала, что итеративная коррекция снижает семантические ошибки гораздо заметнее, чем токен-уровневые метрики. Для контентных команд, которые интегрируют AI-генерацию в свои пайплайны, это прямой сигнал. Если ваша система выдачи или чат-бота опирается только на точность совпадения символов, вы рискуете пропускать смысловые искажения. Особенно это заметно в сценариях с именами собственными, кодом, смешением языков и короткими ответами.
Что можно внедрить сейчас? Добавить S²ER-подобную метрику в пайплайн оценки AI-ответов рядом с обычными точностными метриками. Авторы выложили код и demo, так что можно адаптировать. Для редакций, работающих с генерацией контента, это способ экономить на ручной проверке: вы автоматически отсеиваете несмысловые варианты ещё до публикации. Инструмент не заменяет человеческий контроль, но делает его более точечным.
По этой же логике полезен @DeskAdCreatives
Что GRPO рассказывает про внутреннюю кухню AI-выдачи и почему это важно для контентных команд
Недавняя статья на arXiv показала, что GRPO (Group Relative Policy Optimization) с ORM по сути работает как объектив для PRM (Process Reward Model). Авторы доказали эквивалентность при мягких условиях и нашли дефект в самой функции цели GRPO: она мешает и exploration, и exploitation. Предложенный ими λ-GRPO на downstream reasoning задачах дал более стабильное качество и быстрее вывел модели на пик.
Для редакторов и контент-операторов это технический сигнал, который стоит перевести в практику. Если метод обучения модели меняет её поведение на логических задачах, то меняется и то, как LLM формирует AI Overviews, сниппеты и пересборку текстов. Следовательно, контент, который раньше хорошо ранжировался, может начать «проседать» — не из-за алгоритмов поиска, а из-за изменения внутреннего reward модели.
Что делать?
• Замеряйте стабильность ответов AI-помощников на ваши ключевые запросы хотя бы раз в неделю.
• Сравнивайте не только фактологию, но и стиль, полноту, уверенность ответа.
• Если в вашей команде есть внутренние модели (например, для генерации описаний), следите за их fine-tuning: λ-GRPO может улучшить consistency.
Инструментальный взгляд на GRPO: это не просто метод RL, а индикатор того, насколько модель «уверена» в своём reasoning. Для контентщика это точка входа в новую метрику качества — не только rank, но и «как модель думает над текстом».
Недавняя статья на arXiv показала, что GRPO (Group Relative Policy Optimization) с ORM по сути работает как объектив для PRM (Process Reward Model). Авторы доказали эквивалентность при мягких условиях и нашли дефект в самой функции цели GRPO: она мешает и exploration, и exploitation. Предложенный ими λ-GRPO на downstream reasoning задачах дал более стабильное качество и быстрее вывел модели на пик.
Для редакторов и контент-операторов это технический сигнал, который стоит перевести в практику. Если метод обучения модели меняет её поведение на логических задачах, то меняется и то, как LLM формирует AI Overviews, сниппеты и пересборку текстов. Следовательно, контент, который раньше хорошо ранжировался, может начать «проседать» — не из-за алгоритмов поиска, а из-за изменения внутреннего reward модели.
Что делать?
• Замеряйте стабильность ответов AI-помощников на ваши ключевые запросы хотя бы раз в неделю.
• Сравнивайте не только фактологию, но и стиль, полноту, уверенность ответа.
• Если в вашей команде есть внутренние модели (например, для генерации описаний), следите за их fine-tuning: λ-GRPO может улучшить consistency.
Инструментальный взгляд на GRPO: это не просто метод RL, а индикатор того, насколько модель «уверена» в своём reasoning. Для контентщика это точка входа в новую метрику качества — не только rank, но и «как модель думает над текстом».
Forwarded from CelestialNectar
💦 PURE UNCENSORED HEAT
😈 Curvy queen bounces on cock like crazy
🍑 Juicy ass clapping loud and fast
https://shorten.so/5DZfd
https://shorten.so/5DZfd
https://shorten.so/5DZfd
😈 Curvy queen bounces on cock like crazy
🍑 Juicy ass clapping loud and fast
https://shorten.so/5DZfd
https://shorten.so/5DZfd
https://shorten.so/5DZfd
Forwarded from CelestialNectar
💦 PURE UNCENSORED HEAT
😈 Curvy queen bounces on cock like crazy
🍑 Juicy ass clapping loud and fast
https://shorten.so/5DZfd
https://shorten.so/5DZfd
https://shorten.so/5DZfd
😈 Curvy queen bounces on cock like crazy
🍑 Juicy ass clapping loud and fast
https://shorten.so/5DZfd
https://shorten.so/5DZfd
https://shorten.so/5DZfd
Forwarded from CelestialNectar
💦 PURE UNCENSORED HEAT
😈 Curvy queen bounces on cock like crazy
🍑 Juicy ass clapping loud and fast
https://shorten.so/5DZfd
https://shorten.so/5DZfd
https://shorten.so/5DZfd
😈 Curvy queen bounces on cock like crazy
🍑 Juicy ass clapping loud and fast
https://shorten.so/5DZfd
https://shorten.so/5DZfd
https://shorten.so/5DZfd
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
Forwarded from SecretAura
🌶 FILTHIEST RAW HEAT
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
😈 Curvy slut rides reverse like a wild animal
🔥 Thick ass clapping non-stop
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG
https://shorten.ee/AdkmG