# GPT-6.1-Sol и GPT-6-Astra залипли на приложениях: ИИ-ревьюеры портят пир-ревью

> 2026-11-21 · AI Release · @ai_release1

> #OpenAI #пир-ревью #GPT-6 #научные #бенчмарки #AI #LLM #нейросети

### ⚡ Главное за 5 секунд - Новые модели OpenAI — GPT-6.1-Sol и GPT-6-Astra — вытаскивают 50–70% замечаний из приложений к статьям, а не из основного текста. - У людей на приложения приходится 8,4% претензий, у ИИ — 62%: разрыв больше чем в семь раз. - Побочный эффект: доля «приложенческих» придирок в живых человеческих ревью выросла с сравнила их замечания с тем, что пишут живые рецензенты. Разрыв оказался огромным. У GPT-5 на приложения приходилось меньше 30% критики, у GPT-6.1-Sol и GPT-6-Astra — примерно 50–70%, причём эффект держится на всех четырёх конференциях, то есть от площадки он не зависит. Авторы статьи фиксируют: «Разница между поколениями большая. У GPT-5 лишь малая доля слабых мест связана с приложением. Обе новые модели, GPT-6.1-Sol и GPT-6-Astra, опираются на него куда сильнее». В человеческих ревью картина обратная — 8,4% замечаний про приложения против 62% у моделей. ИИ в семь с лишним раз чаще находил проблемы в допматериалах и в три раза чаще ругал только приложение, без единой претензии к основному тексту. Отдельная деталь — как именно модель читает PDF. API, Codex и веб-интерфейс разбирают документ по-разному, и Codex вообще не читает середину PDF среднего размера, а при необходимости добирает её «кусками» позже. Но приложения любили все способы доступа. ### 🧠 Наш разбор Причина, наша оценка, проста и неприятна: контекстные окна выросли, модели теперь реально прожёвывают весь PDF целиком. Но «прочитать всё» ≠ «понять, что важно». Модель, как сказано в работе, почти не критикует первые страницы, где автор ставит задачу, — а приложение, наоборот, разбирает построчно. Приложение часто сырое, невычитанное, с таблицами и логами: там легко найти формальную ошибку и почти невозможно — научную. Что это меняет — вопрос в том, чья это проблема. Если ИИ-ревьюеры используются как черновик для человека, беда небольшая. Если как замена — конференция получает поток придирок к таблице гиперпараметров вместо разговора о методе. И самое тревожное в тексте: доля appendix-замечаний в живых ревью выросла до 27,6% после выхода этих моделей. Авторы это фиксируют как корреляцию, а не доказанную причину, — и я бы тоже не спешил с выводами. Выигрывают, по нашей оценке, не OpenAI, а те, кто продаёт «проверку ревью» поверх моделей: спрос на фильтр очевиден. Проигрывают авторы статей и программные комитеты: время уходит на разбор формальных претензий. И ещё вопрос, зачем модели с более сильным чтением понадобилось залипать на сносках — роста качества это не объясняет, а работа прямо говорит: «Способность читать статью в деталях не научила их, какие части важнее». ### ⚠️ Чего мы не знаем Мы видим пересказ исследования, а не саму статью: ссылки на первоисточник в нашем распоряжении нет, поэтому выборку, методологию подсчёта и то, как именно нормализовали критику, проверить нечем. Цифра 27,6% — корреляция с выходом моделей, а не доказательство, что люди копируют привычку ИИ. Нет и оценки, сколько из этих замечаний были по делу: возможно, часть приложений действительно плохая. ### 💬 О чём спорить Стоит ли вообще пускать ИИ-ревью в программные комитеты без ограничений по разделам, или рецензию модели надо резать до основного текста? Если рецензенты-люди уже перенимают привычку моделей, что лечить — инструмент или процесс рецензирования? Считать ли 50–70% критики в приложениях багом модели или честным сигналом, что авторы прячут слабые места в допматериалах? **Прогноз:** в течение двух кварталов появится хотя бы один публичный бенчмарк, который оценивает качество ИИ-ревью отдельно по основному тексту и отдельно по приложениям. **Дисклеймер:** один источник, пересказ исследования — официально не подтверждено. **Источник:** The New York Times

[Источник](https://www.nytimes.com/2026/11/21/science/outages-tech-history.html)
