← Каталог

· AI Engineer World's Fair 2026

Как покончить с низкокачественным ИИ-контентом

Ending AI Slop

Чтобы убрать шаблонность AI-генерации в дизайне и текстах, субъективное качество нужно разложить на проверяемые сигналы под конкретный контекст и аудиторию.

  • Бренд как набор проверяемых элементов — цвета, типографика, движение, анимация и текстуры раскладываются на отдельные компоненты, и по ним оценивается соответствие бренду. Спикер считает, что LLM-as-a-judge для такой задачи не всегда подходит из-за reward hacking и галлюцинаций.
  • Расхождение экспертов как сигнал — при разметке спор об эстетике и стиле спикер считает хорошими данными, потому что они показывают реальные предпочтения. Расхождение в выравнивании (alignment) он считает дефектом, так как это почти объективный критерий.
  • Привязка комментария к коду — по словам спикера, если связать замечание эксперта о лендинге с конкретным компонентом кода, данные становятся меньше шумят и лучше подходят для обучения.
  • Качество важнее объёма — для субъективных задач спикер советует опираться на данные от экспертов с хорошим вкусом, а не на большие объёмы шумной разметки. Его команда работает с сообществом из более тысячи дизайнеров.

Кому полезно: тем, кто собирает данные для RL или post-training по дизайну, текстам и другим субъективным задачам.

Статья по теме

Главы

Ещё доклады: Thais Castello Branco

Страница спикера →

Похожие доклады