Skip to content
Статья Every авг. 2026 г.

Every: тест Deft — модели, созданной, чтобы исправить AI-тексты

О чём статья

Штатный автор Every Кейти Паррот протестировала DFT v1 — первую публичную модель от Deft, пишущей AI-лаборатории, основанной совместно Джастином Мёрфи, бывшим профессором политологии и автором, и AI-исследователем по имени Rosmine. Статья — развёрнутый тест в нескольких форматах написания и способах доступа, ставящий вопрос: действительно ли ключевой технический подход Deft производит более качественные тексты?

Контекст

Технический метод Deft называется distribution fine-tuning (DFT). Вместо оценки выводов модели по одному за раз, процесс постобучения сравнивает пакеты выводов модели с пакетами образцов человеческих текстов и корректирует их в сторону большего лингвистического разнообразия. Цель — снизить повторяющиеся структуры предложений, хеджирующие фразы и предсказуемые риторические паттерны, делающие AI-текст узнаваемым для читателей, знакомых с AI-выводом. Паррот тестировала модель через веб-консоль, через API-интеграцию с платформой для письма Codex, а также в форматах аналитических эссе и SEO-статей.

Ключевые выводы

DFT v1 действительно производит менее предсказуемые тексты, чем основные AI-инструменты для письма. Синтаксическое разнообразие выше, и модель избегает некоторых из наиболее узнаваемых AI-клише. Паррот сравнила её с GPT-5.6 Sol и обнаружила, что результат ощущается менее шаблонным.

Слабые стороны существенны. Выводы нередко оказываются плотными и неясными, с неловкими конструкциями и плохим порядком подачи информации. Даже в строгом режиме модель фабрикует неподтверждённые детали — что подрывает основной сценарий использования для аналитических текстов. API-интеграция оказалась ненадёжной, иногда возвращая частичные черновики или инструкции вместо контента. Вывод Паррот: одно лишь разнообразие не может исправить то, что не так с AI-письмом. Модель способна производить предложения, не совпадающие по паттерну с AI-выводом, и при этом проваливаться в работе с иерархией информации, вовлечением читателя и базовой фактической точностью.

Кому читать

Авторам и редакторам, оценивающим новые AI-инструменты для письма, особенно тем, кто счёл основные модели слишком шаблонными. Также полезно тем, кто интересуется техническими подходами, которые исследователи применяют для снижения узнаваемости AI-прозы, — метод distribution fine-tuning стоит понять, даже если текущие результаты DFT v1 неоднозначны.