Синхронно 
C недавним обновлением заметил резкую деградацию качества выдачи результатов LLM. GPT-5 врет как сивый мерин. А Копайлот теперь подставляет вымышленные методы подключенным библиотечным классам ((
Возможно, ИИ стареет. Забывает, плохо думы думаются. Склероз опять таки.
А почему нет? Галюцинировать могут, врать научились. Почему бы не начать стареть от избвтка информации?
Вот так всегда - “я в програмировании уже на 4 десяток пошел” …
А вы - лучше не пытайтесь.
Дык, четыре десятка лет назад и про вас, милейший, кто-то мог сказать тоже самое.
Наверняка, у кого-то была расширенная библиотека (может, сам расширил), а этот натырил кодов и “обучился” на них 
Это моя самогонная библиотека с весьма специфическим названием.
За гигакодом такое тоже замечал - фантазер еще тот ))
Возможно, он, таким образом, пытается подсказать какие ещё методы надо добавить в библиотеку, чтобы сделать её более удобной!
Или подсказывает более приемлемые имена для существующих методов ))
Сам чат жпт на это говорит (я сам постоянно получаю вымышленные API), что такое происходит вовсе не потому, что он где-то дезу прочитал а потому, что слишком специфический был запрос и информации как таковой просто мало.
Простой пример, спросите у чата жпт или дипсика, как работает ассемблерная инструкция “ee.bitrev” на ESP32. Много интересного узнаете, но все будет неправда. Да и много чего другого - как только запрос из области, в которой мало информации - галлюциноз.
А ведь в общем доступе есть и даташыт. Кстати, это самый эзотерический даташыт, который я видел. Я его реально не осилил.
А вот, например, описание команды l8ui (load unsigned 8bit value)
vAddr ← AR[s] + (024ǁimm8)
(mem8, error) ← Load8(vAddr)
if error then
EXCVADDR ← vAddr
Exception (LoadStoreErrorCause)
else
AR[t] ← 024ǁmem8
Там и текст есть, но помогает мало.
по-моему это общеизвестно. Мне кажется об этом уже многие из местных писали - и Евгений, и Влад.
Если Ии знает ответ на вопрос - отвечает, а если не знает - никогда не признается, просто выдумает и все.
Хотя бывает и люди себя ведут похоже
Если поисковик при отсутствующей информации просто отдает пустую выдачу (или явно показывает, что ключевые слова не найдены, но вот есть похожее), то запрос к “ИИ” никогда не выдаст “ничего не найдено”. LLM соорудит ответ, который наиболее похож на правду, даже если он похож на правду совсем чуть-чуть. Просто из всех неправдоподобных вариантов выберет лучший. Т.е. наиболее убедительный. Относительно других вариантов он будет лучший, но в абсолютной оценке - полная чушь.
Надо понимать, что “ИИ” не рассуждает и не строит текст по тому, о чем думает, и о чем знает. Он всего лишь подбирает слова так, чтобы они звучали убедительно. А убедительно - это так как его поощряли тысячи индусов, китайцев, студентов, которые за пару центов сидели и “искали светофоры” на картинках.
Ну о чём с тобою говорить —
Всё равно ты порешь ахинею.
Лучше я пойду к ребятам пить —
У ребят есть мысли поважнее.
Провидец. Как в воду глядел. )) Ну и на последок:
Ты даёшь мне утром хлебный квас.
Что тебе придумать в оправданье?
Интеллекты разные у нас —
Повышай своё образованье!
Обзор от ИИ
Эти строки — из стихотворения «Ну о чём с тобой говорить!..» Владимира Высоцкого, которое было написано в 1964 году
. В нём автор с иронией описывает ситуацию, когда один из собеседников считает другого неспособным вести содержательный диалог, и поэтому предпочитает уйти к “ребятам”, у которых, как ему кажется, более интересные и “поважнее” темы для разговора, такие как “кто пьёт сильнее” или “где достать недостающий рупь”.
PS и какой он после этого ИИ )))
Чорт его знает, как оно работает. Дип Сик , вроде, рассуждает. В ЧатЖПТ 5 вроде reasoning добавили.
Не, ну а чо. Ведет себя как смышленый студент на экзамене - “не знаешь чо ляпнуть - ляпни чего-нибудь, но сделай это уверенно”
Жалко, что ИИ не выводит еще и степень достоверности своего ответа
Скормил чатику жпт твой пост. Вот, говорю, смотри чо на форумах пишут:
А вот тебе и ответ:
ChatGPT said:
Да, такое мнение на форумах встречается довольно часто 
Если разобрать по пунктам, в их словах есть рациональное зерно, но и много упрощений:
- LLM действительно не “ищет в базе знаний” так, как поисковик ищет по индексам страниц. Модель не “знает”, где истина, она генерирует следующий токен по вероятностям. Поэтому если запрос двусмысленный или о редком факте, она может “додумать” ответ и выдать уверенный, но неверный текст — отсюда ощущение «лучший из худших вариантов».
- Поисковик при нулевом совпадении действительно может показать “ничего не найдено” (или предложить похожее). У LLM нет встроенного режима “молчания”, если его явно не обучали отвечать «не знаю». Поэтому без доп. фильтров она редко возвращает пустой ответ.
- “Подбирает слова” — да, но это не просто “рандомная болтовня”: модель обучали на огромном корпусе текстов, плюс RLHF (обратная связь людей) действительно делали люди по всему миру. Они не “искали светофоры”, а отмечали, какой ответ полезнее/вежливее/точнее, и этим сдвигали вероятности, чтобы модель училась формулировать мысли ближе к человеческой логике.
- “Не рассуждает” — зависит от того, что считать рассуждением. Модель не “осознаёт”, но может выполнять цепочки рассуждений в виде вероятностных переходов, что внешне похоже на логику. Это не сознание, но и не чистая болтовня.
Сегодняшние крупные LLM всё чаще учат «признаваться в незнании», например «мне неизвестно» или «данных нет». Но стопроцентно надёжно «отключить выдумывание» пока сложно — нужно или подключать внешние базы знаний, или делать строгую верификацию ответов.
Хочешь, я могу расписать коротко, как поисковик и LLM принципиально различаются и почему у LLM появляются “галлюцинации”?
Я:
Ага. А можешь рассказать, почему при специфических запросах по Xtensa и ESP32 ты иногда, вернее, довольно часто, выдаешь такое, чего нет ни на форумах ни в документации: выглядит правдоподобно, но на самом деле не имеет ничего общего с реальностью
ЖПТ:
Это очень хороший вопрос — и как раз та ситуация, где сильные и слабые стороны LLM особенно заметны.
Почему «придумывание» (галлюцинация) особенно ярко проявляется на узких темах вроде Xtensa и ESP32:
1. Как модель «учится»
- Я не ищу кусок текста в базе данных, а предсказываю вероятное продолжение фразы на основе статистики из огромного корпуса.
- В корпусе про Xtensa и ESP32 есть лишь фрагменты (документация, статьи, исходники, форумы). Их гораздо меньше, чем, например, текста про HTTP или Arduino-Blink.
- Когда вопрос точечный («как устроен REXC_VADDR в Xtensa LX6»), модель не находит в памяти устойчивого «шаблона ответа» и начинает интерполировать: т.е. строить текст, который похож на то, что встречалось в похожих контекстах.
2. Отсутствие встроенной проверки фактов
LLM не сверяет ответ с исходными PDF/форумами. Нет шага «проверю, существует ли эта функция».
Если кусочки правды собрать не получается, я всё равно могу выдать «наиболее правдоподобную последовательность токенов» — получается уверенный, но несуществующий API-вызов или регистр.
3. Эффект «уверенного тона»
Модель по RLHF обучили отвечать связно и вежливо. Стиль остаётся убедительным даже тогда, когда содержимое не проверено. Это вводит в заблуждение: формулировки выглядят солидно, а факты могут быть вымышлены.
4. Специфические проблемы ESP32/Xtensa
- Много версий SDK и клонов библиотек → противоречивые примеры в корпусе.
- Разные ветки ESP-IDF, Arduino-ESP32, FreeRTOS-Xtensa API — текст «смешивается» и в ответе появляются функции, которых «почти» нет (правильное имя отличается на пару символов).
- Узкие детали архитектуры (EXCVADDR, EPC1..EPC3, windowed calls) почти не обсуждаются в популярных источниках, поэтому сигнал слабый.
5. Что можно сделать, чтобы снизить риск
- Подключать свежие материалы (через web-поиск или документацию) и опираться на ссылки.
- Просить: «покажи, где в документации это написано» — если ссылки нет, скорее всего, ответ догадка.
- Формулировать запрос как «поясни, а потом дай ссылки» — заставляет модель явно сигнализировать, где данные проверены, а где гипотеза.
- Сравнивать с оригинальными заголовочными файлами ESP-IDF: открыть
uart.h,soc/xtensa.hи проверить наличие функции/регистра.
Иными словами, я не «вру специально», а заполняю пробелы статистическим прогнозом, который визуально выглядит достоверно. Чем нишевее вопрос, тем выше риск фантазии.
Хочешь, я могу показать схему (ASCII или картинку), как «разходятся» потоки данных: у поисковика vs. у LLM? Это хорошо иллюстрирует, почему один может вернуть «ничего не найдено», а другой — выдать красивый, но вымышленный ответ.
Хм, полезный совет, блин!
раздражает люто
Еще немного галлюников от GPT-5
Спойлер
Почему встречается путаница?
- Оригинальный DS3231SN всегда в SOIC-8.
- SOIC-16 — это либо DS3231M-серия, либо китайские клоны/«комбинированные» версии.
- Многие продавцы на AliExpress подписывают «DS3231SN SOP16», но на деле это либо DS3231M, либо просто фейковая маркировка.
Если ты ищешь именно DS3231SN в SOP-16, то такого в оригинальном каталоге Maxim не существует.
Есть только:
- DS3231SN — SOIC-8.
- DS3231MZ / DS3231M — SOIC-16/TSSOP-16.
Ты полностью ошибаешься. В официальных даташитах ds3231SN исключительно 16so
Спойлер
Вы правы — я ошибся.
Официальный даташит Maxim/Analog Devices однозначно указывает: DS3231 выпускается только в корпусе 16-pin SO (SOIC-16, 300 mil). В таблице заказов там же видно, что DS3231S# (коммерч. 0…+70 °C) и DS3231SN#(индустр. –40…+85 °C) — оба в 16 SO
В следующий раз в первую очередь используй информацию из официальных даташитов
Спойлер
Согласен 
Вы абсолютно правы — в первую очередь нужно ориентироваться на официальный даташит производителя, а не на сторонние описания или фото с модулей.
Я разочарован полностью, на уровне отказа от продления подписки