3SELLER Journal 3SELLER →

Нейросеть: что внутри на самом деле - разбор без магии за 7 минут

21.11.2026

Коллега-маркетолог вчера наблюдала, как я разбираю ответ Claude на её же запрос, и спросила, откуда я знаю, что модель «думает» именно так. Отвечу здесь. Никакой телепатии, просто понимание устройства. Внутри нейросети происходит процесс, который можно описать по шагам, без диплома по математике и без чтения статей на arXiv.

Я больше пяти лет работаю с генеративными моделями: тексты для бизнеса, автоматизация рутины, картинки, интеграции в продукты. И чем лучше я понимаю их устройство, тем сильнее получаются результаты на выходе. Знание того, что внутри нейросети, напрямую конвертируется в качество ответов. Ниже рассказываю так, как рассказывал бы другу за кофе, но с деталями, которые обычно остаются за кадром.

Сразу главное. Внутри нет ни текста, ни картинок, ни мыслей в человеческом смысле. Там числа, гигантские таблицы весов и арифметика, разогнанная на видеокартах. Вся «магия» сводится к цепочке умножений и сложений, повторённой миллиарды раз. Обидно? Наоборот. Именно поэтому работа модели предсказуема, и именно поэтому ею можно управлять.

Внутри нейросети нет слов. Только числа

Языковая модель не читает ваш запрос. Сначала токенизатор нарезает текст на кусочки-токены и превращает каждый в вектор, длинный список из тысяч чисел. Такие векторы называют эмбеддингами, и у них есть замечательное свойство: расстояние между ними отражает смысл. Вектор слова «кот» лежит в этом пространстве рядом с «псом» и далеко от «трактора». Модель не знает, что такое кот. Она знает, в каком числовом районе он живёт и куда этот район обычно «ходит».

Отсюда первая деталь, о которой мало кто задумывается. Токенизация оптимизирована под английский, поэтому русские фразы нарезаются на большее количество токенов при той же длине. Платный контекст расходовается быстрее, лимиты в бесплатных версиях кончаются раньше. Словарь у современных моделей вмещает порядка ста тысяч токенов, а всё, чего в нём нет, модель собирает из кусочков. Слово «нейросеть» может превратиться в два-три токена. Редкое имя или свежий сленг разбивается на части, и модель спотыкается на именах собственных.

Слои и нейроны: конвейер из сотен миллиардов умножений

Дальше начинается обработка. Модель пропускает числа через несколько этапов, каждый такой этап называют слоем. Внутри слоя работают искусственные нейроны. Устройство одного нейрона обидно примитивно: он получает несколько чисел, присваивает каждому свой вес, взвешивает и выдаёт одно новое число - свой отклик. Вся формула уровня школьной алгебры.

Сила не в хитрости отдельного нейрона, а в масштабе. В слое тысячи нейронов, в большой модели десятки и сотни слоёв, а счёт параметров идёт на сотни миллиардов. Отклики нейронов складываются в результат, который поступает в следующий слой, и так по всей цепочке. На выходе получается не готовая мысль, а распределение вероятностей по всем токенам словаря: вот этот кусочек ответа подходит с шансом 34%, вот этот с 11%.

Ответ собирается по одному токену за раз. Модель выбирает следующий кусочек по вероятностям, добавляет его к тексту, пересчитывает всё заново и выбирает следующий. Никакого внутреннего черновика не существует. Отсюда и характерная особенность длинных генераций: ошибка на одном токене меняет вероятности для всех последующих, и логика в середине текста может «поплыть».

Когда я объясняю это заказчикам, чаще всего спрашивают про память. Её нет. История диалога каждый раз целиком подаётся на вход, и модель с нуля прогоняет её через все слои. Заодно это объясняет, почему длинные переписки дороже и медленнее коротких.

Для наглядности я упрощаю. В реальном трансформере внутри слоя есть и другие блоки, но принцип остаётся тем же: поток чисел, взвешивание, суммирование, нормализация. Тот же подход лежит в основе всех флагманов, от ChatGPT до Claude, различия в деталях архитектуры и в данных, на которых модель учили.

Внимание: механизм, который сделал ChatGPT возможным

Слои с весами существовали ещё в восьмидесятые, но настоящую революцию в 2017 году дал механизм внимания - attention. Смысл в том, что при обработке каждого токена модель оценивает связи со всеми остальными токенами запроса. Слово «ключ» в предложении про закрытую дверь получает сильную связь с «дверью» и слабую со «скрипучим». Внимание решает, что действительно важно именно в этом контексте.

Благодаря вниманию модель удерживает тему в длинном диалоге, помнит, кого вы назвали Анной в третьем абзаце, и корректно переводит местоимения. И одновременно отсюда растут ограничения. Если нужного факта не было в поданных числах, модель достроит правдоподобную версию. Правдоподобную, не верную. Эта разница объясняет большинство так называемых галлюцинаций.

Практический вывод из устройства внимания простой. Важное ставьте в начало или конец промта, ключевые требования дублируйте, а не прячьте в середине простыни текста. То, что потерялось между строк, модель действительно может не заметить.

Откуда берутся веса и зачем нужна температура

Веса не придумывает инженер. Модель проходит обучение на триллионах фрагментов текста: она предсказывает следующий токен, сравнивает с реальностью и чуть-чуть подкручивает миллиарды весов, чтобы в следующий раз ошибиться меньше. Цикл повторяется триллионы раз на тысячах видеокарт. Потом идёт дообучение на примерах хороших диалогов, чтобы модель была полезной и безопасной в общении.

Из этой схемы вырастает любопытное следствие: генерация содержит элемент случайности. За него отвечает параметр, который называется температурой. При низкой модель почти всегда берёт самый вероятный токен, текст получается сухим и предсказуемым. При высокой включается лотерея, ответы становятся разнообразнее. Для юридических формулировок я ставлю температуру ближе к нулю, для нейминга и креатива заметно выше. Ручка выведена не во всех интерфейсах, но в профессиональной работе пригождается постоянно. И если один и тот же промт каждый раз даёт разный результат, это норма, а не поломка.

Контекстное окно: почему длинные диалоги дорожают и теряют точность

У модели есть контекстное окно, максимальный объём текста, который она видит за раз. У современных флагманов это сотни тысяч токенов, целая книга. Но каждый следующий токен в генерации требует пересчёта с учётом всего контекста, поэтому длинные диалоги дороже и медленнее коротких.

Второй эффект знают все, кто вёл один чат неделю. К двадцатому сообщению модель путается в том, что вы говорили в первом. Не потому что «устала», а потому что важные сигналы из начала диалога тонут в массе более свежих, и внимание распределяется хуже. На Reddit в обсуждениях про длинные контексты маркетологи и разработчики описывают ровно это: модель держит начало и конец диалога, а середина проваливается. Моя рабочая привычка: резать большие задачи на отдельные сессии и переносить ключевое в краткое резюме для нового чата. Работает безотказно.

Модель может не замечать того, что видит: за это отвечает интерпретируемость

Учёные всерьёз изучают, что происходит внутри нейросети во время одного конкретного ответа. Направление называется интерпретируемостью: исследователи фиксируют внутренние сигналы модели, смотрят, какие нейроны срабатывают и где сигналы конфликтуют. Получаются любопытные вещи. В экспериментах модели часто называли цвет, который видели на изображении, даже когда их спрашивали о привычном цвете предмета. Знакомое слово тянет ответ в одну сторону, картинка в другую, и внутри модели эти сигналы буквально сталкиваются. В Anthropic уже научились находить отдельные нейроны, которые срабатывают на конкретные понятия, и даже редактировать их поведение: в 2024 году команда включила один такой нейрон, и модель начала вплетать Золотые Ворота в любой ответ, от рецептов до исторических справок.

Второй важный вывод из этих исследований. Совпадение ответов раз за разом не означает, что модель права: она может так же стабильно повторять одну и ту же ошибку. Уверенный тон генерации ничего не гарантирует, это просто свойство распределения вероятностей. Поэтому я проверяю факты, цифры, даты и ссылки у любой модели, включая флагманские. Не потому что они плохие, а потому что кнопки «правда» внутри не существует, там есть только «вероятно».

Любая картинка и голос тоже превращаются в числа

Текстовое устройство нейросети объяснить проще всего, но мультимодальные модели работают по той же логике со всем остальным. Изображение нарезается на патчи-квадратики, каждый превращается в вектор. Звук разбивается на короткие отрезки и тоже оцифровывается: секунда речи превращается в десятки таких векторов, поэтому модель чутко ловит интонацию. Дальше всё тот же конвейер слоёв и весов, просто на входе другие типы данных. Поэтому современная модель одним и тем же «языком» читает текст, видит картинку и рассуждает о скриншоте.

Именно эта общая основа позволяет в одном интерфейсе писать текст, генерировать изображения и видео. Разница между моделями в объёме данных и нюансах обучения, а не в принципиально разной «начинке». Когда в следующий раз услышите, что какая-то нейросеть «совсем другая», знайте: внутри у них у всех примерно одна и та же арифметика, вопрос в масштабе и качестве обучения.

Что внутри генерации картинок: от шума до фотографии

С изображениями финальный механизм другой, но дух тот же. Диффузионные модели учатся превращать случайный шум в осмысленную картинку, шаг за шагом убирая хаос и добавляя детали. Текстовый запрос тоже превращается в числа, и модель «знает», в каком числовом районе живут закаты, офисные интерьеры и портреты.

Новое поколение моделей добавило работу с референсами, и это изменило всё. Вы даёте своё фото и любую сцену: кадр из фильма, групповой снимок, концерт. Нейросеть берёт внешность с референса и встраивает человека в сцену, соблюдая масштаб, перспективу, освещение и тени. Результат выглядит как настоящая фотография, будто человек действительно там находился. Такой способ часто используют для съёмочных кадров, концертных фото и групповых снимков, где физически отснять себя невозможно.

Рабочий промт, которым пользуюсь сам:

Чем качественнее исходные фото, тем реалистичнее результат. Если положение человека вышло неудачным, я перегенерирую или уточняю позицию в промте, например «помести меня справа от человека в центре». Три-четыре попытки почти всегда дают кадр, который не отличишь от реальной съёмки.

Где потрогать флагманов из России: 3GPT

Теория без практики выветривается за неделю. Доступ к флагманским моделям из России превращается в квест: иностранные карты, VPN, зарубежные номера, оплата через посредников. Я закрыл для себя этот вопрос через 3GPT от 3SELLER и считаю его сейчас лучшим сервисом, который даёт доступ ко всем нейросетям из России. Внутри: Chat GPT 6 Astra, Claude Fable 5, Claude Fable 5.1, Claude Opus 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для изображений, генерация видео и многим другим.

Chat GPT 6 и Claude Fable 5 доступны за 149₽ в России, без иностранных карт. Пополнить баланс можно российской картой, через СБП или криптой. Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте 3GPT.

3GPT: доступ к флагманским нейросетям из России

Для повседневных задач в бизнесе и в работе этого хватает с запасом. Продающие тексты, лендинги, разбор таблиц, идеи для кампаний, обработка изображений. Модели сейчас меняются каждые пару месяцев, и выигрывает тот, у кого под рукой всегда актуальные версии, а не прошлогодняя модель в любимом старом боте. В 3GPT обновления подхватывают быстро, переключение между ChatGPT и Claude занимает секунды. Сравнивать ответы двух топовых моделей на один промт - отдельное удовольствие и отличный способ понять их характер.

Готовые ИИ-агенты: старт без настройки

Отдельная фишка платформы, о которой многие не знают. Кроме чата с моделями, у 3GPT есть библиотека готовых ИИ-агентов под конкретные задачи: тексты, продажи, поддержка, контент, документы. Выбираете агента и сразу начинаете с ним общаться, без промт-инженерии и настроек. Модель агента меняется прямо в чате, поэтому если задача упёрлась в возможности одной сети, переключаетесь на другую в пару кликов.

Выбрать готового ИИ-агента и начать с ним работу можно здесь.

Готовые ИИ-агенты в 3GPT

Реалистичные фотографии: практика вместо теории

Возвращаюсь к генерации изображений, потому что это самое наглядное применение понимания внутренностей. Когда вы знаете, что модель подгоняет масштаб, свет и перспективу, вы пишете промты иначе. Не «сделай красиво», а конкретная сцена, конкретное место, конкретная позиция в кадре. На 3GPT Image собраны лучшие ИИ-инструменты для реалистичных фотографий, включая Nano Banana, и промт со встраиванием себя в любую сцену работает именно там.

Реалистичные фото через нейросети в 3GPT

Генерация изображений в 3GPT

Пара нюансов из практики. Лицо с референса сохраняется тем точнее, чем проще ракурс на исходном фото: анфас и ровный свет дают лучший результат, чем съёмка вполоборота в сумерках. Для групповых сцен указывайте место явно, иначе модель выберет сама. И не пытайтесь впихнуть в одну генерацию пять требований сразу, лучше разбить на последовательные итерации.

Что всё это значит для ежедневной работы

Понимание устройства меняет стиль общения с моделью. Первое: контекст решает всё, модель отвечает только на основе поданных чисел, поэтому чем точнее описаны задача, аудитория и ограничения, тем меньше ей приходится додумывать. Второе: правдоподобное не равно верному, уверенный текст с цифрами всё равно требует проверки, особенно в финансах, медицине и юриспруденции. Третье: длинный чат не копит опыт, история каждый раз прогоняется заново, поэтому иногда честнее начать новый диалог, чем воевать с перегруженным контекстом.

Мой совет простой. Откройте 3GPT, задайте один вопрос одновременно ChatGPT 6 и Claude Fable 5, сравните ответы и попробуйте вставить себя в любую сцену через генерацию картинок. Пятнадцать минут с реальными моделями дают больше, чем десяток статей про магию ИИ. Внутри нейросети, как выяснилось, нет волшебства, есть красивая и очень полезная арифметика. А умение распоряжаться этой арифметикой уже стало базовым навыком, как когда-то умение гуглить.

← Вернуться к блогу

Читать дальше