Я больше не хочу ничего спрашивать у ChatGPT-5

Сегодня не понедельник, но мы всё равно решили начать что-нибудь новое — например, разобраться в машинном обучении ^[1]. 

И если раньше нужно было самому составлять роадмап, тыкать спецов из сферы, друзей или искать информацию по форумам и реддитам, то теперь можно просто попросить ChatGPT.

Поэтому пошли в чат с дефолтной 5-й версией. И задумались: все считают 5-ю версию лучше, выше, сильнее 4о. Но есть ли разница для обычного пользователя, который не мониторит бенчмарки и микроапдейты моделей, а просто приходит поболтать с ИИ?

Мы поставили эксперимент: сравнили модели с точки зрения ^[2] обывателя, который хочет изучить ML и пришёл за пошаговым планом обучения.

Важно: дата эксперимента — 13 октября, поведение ^[3] моделей уже могло измениться!

Шаг 1: роадмап по ML

Задача 

Попросить обе модели помочь построить роадмап по машинному обучению.

Промпт 

«Помоги мне построить роадмап в МЛ».

Ответы

— 4o ^[4].

— 5 ^[5].

Результат

Если отбросить восторг от новой модели, то итог однозначный: ChatGPT-4o в этом тесте сработал лучше. Причём не просто понятнее — он оказался качественнее по критериям, которые важны новичку, решившему вкатиться в машинное обучение: 

• по логике ^[6] и структуре 

• конкретике

• качеству языка;

• пользе. 

Сравним модели по этим критериям.

Структура

— У 4о получилась последовательная и интуитивная дорожная карта. Сначала — математическая база, потом — инструменты, затем — практика. Всё разбито по блокам, есть подпункты, визуальные маркеры и аккуратная навигация. 

— GPT-5 выдаёт сухой и очень плотный текст, с горой неймдропинга. Нет ощущения, что тебе заботливо объясняют — скорее, пытаются задавить терминами и умными словами.

— 4o даёт конкретику: ссылки на курсы, названия книг, GitHub-репозитории, реальные источники вроде Khan Academy и fast.ai ^[7]. 

— В 5-й версии этого нет: она говорит общими словами, без указания, куда идти и что открывать.

Качество языка

— У GPT-4o понятная и живая подача, нет опечаток, битых слов. 

— GPT-5, напротив, часто спотыкается: появляются гибридные слова с русскими и английскими буквами, неестественные выражения вроде tidy-данные или артефакт пайплайна. Такое ощущение, будто модель путает языковые раскладки.

Польза

— 4o не просто даёт набор этапов — она объясняет, зачем каждый шаг, какие навыки нужны, какие проекты подойдут, как собрать портфолио и где публиковать результаты. 

— GPT-5 ограничивается чек-листом: «Этап 3 — CV/NLP. Цель: fine-tune-модель». Хочется спросить 5-ю модель: ты в курсе, что буквы бесплатные? 

Итог

4o ближе к преподавателю, который помогает и направляет, а 5-я версия — к опытному спецу, который накидывает кучу информации и думает, что всё это ты уже прекрасно знаешь.

Для человека, который только начинает путь в ML, выигрывает ChatGPT-4o: она понятнее, чище, полезнее и человечнее.

Шаг 2: расписание на неделю

Новичку всегда нужно с чего-то начинать, поэтому мы продолжим разговор с ChatGPT-4о.

Что делаем

Просим 4o построить подробное расписание на первую неделю обучения. Пусть распишет каждый день: что читать, какие видео смотреть, где практиковаться и какие мини-результаты ожидать к концу недели.

Промпт

«Давай теперь сделаем первую неделю обучения по твоему роадмапу. Распиши по дням, какие темы изучать, какие ресурсы использовать (курсы, статьи, видео) и какие задания сделать, чтобы закрепить материал. В конце недели подведи итог: что я должен уметь и что можно сделать в качестве мини-проекта».

Результат

На выходе получился подробный план на неделю ^[8]. 

С учётом того что мы чётко не обозначали интенсивность, количество уроков и заданий в день и т. д., это хороший результат. При желании расписание можно дотюнить, но всё самое главное есть:

• цель,

• задания, 

• ресурсы и ссылки,

• итоги. 

И соблюдены все критерии: живой язык, конкретика, польза и логика. 

Из минусов — план рассчитан на человека без работы и личной жизни. Слишком интенсивный темп. Но как решение, можно растянуть этот план на две недели, чтобы не слишком устать.

Шаг 3: реабилитация ChatGPT-5

Результат этой версии нас не особо устроил, но попробуем её реабилитировать — очевидно, что здесь нужен более конкретный и подробный промпт.

У 5-й версии было очень много мощных технических деталей, но эта польза меркла из-за тяжёлого и местами нечитабельного языка. И получился план, который понятен технически, если уже знаешь, о чём речь. В общем, не адаптированный под новичка.

Попробуем улучшить результат.

Способ 1. Включить «долгое думание»

Задача

Заставить модель думать подольше — не семь секунд, как в первый раз. 

Что делаем

Если включить режим «thinking», чат начинает выдавать более глубокие и продуманные ответы.

Результат 

Честно говоря, лучше не стало ^[9]. Долгое рассуждение не победило два важных минуса: 

1. Плотность текста.

Информация идёт сплошным потоком. Даже при наличии подзаголовков блоки выглядят как монолит и читать такое тяжело. Особенно «Этап 1» и «Этап 2» — там слишком много пунктов на одном уровне и слишком мало воздуха между словами.

Нужны дополнительные уровни иерархии: подзаголовки внутри этапов, короткие вводные перед блоками вроде «Ты научишься…», а также больше визуала — эмодзи, отступов, контрольных точек.

2. Слишком машинный язык.

Даже после доработки в тексте остаются формулировки, которые ничего не дадут новичку, разве что почву для сомнений: а нужно ли ему это вообще? 

Например, «размораживание слоёв», «смешанные потери», «Shadow/Canary» — только испугает.

Каждый технический термин стоит либо пояснить в скобках, либо заменить простыми аналогами. Например, вместо «заморозка/размораживание» — «временный запрет на обновление некоторых слоёв, чтобы не сломать текущие знания».

Поэтому переходим ко второй опции.

Способ 2. Переписать план понятным языком

Если долгие рассуждения не помогли, можно просто заставить GPT-5 переписать весь текст так, чтобы он стал понятным, читабельным и полезным.

Задача

Получить версию роадмапа, где структура сохранена, но язык живой, а логика пошаговая.

Промпт

«Перепиши свой план обучения так, чтобы он был понятен новичку без технического фона. Сделай текст разговорным, убери перегрузку терминами и англицизмами, добавь объяснения, примеры и ссылки на реальные курсы и материалы. Цель — чтобы по твоему тексту можно было реально начать обучение, а не потеряться в терминах».

Результат

Ура, наконец-то результат ^[10] порадовал — этот ответ можно читать, не спотыкаясь об рандомные непонятные слова. 

Что стало лучше:

— Текст выглядит по-человечески — без неймдропинга, академизма, перегруженных терминов и странных синтаксических конструкций.

Он звучит так, будто тебе объясняет приятель, который уже прошёл этот путь и хочет помочь.

— Сложные вещи объяснены простым языком.

Теперь даже человек, который никогда не писал код, может поверхностно понять идею машинного обучения.

— Конкретика и практические шаги.

Появились ссылки, реальные ресурсы, понятные задачи и мини-проекты, которые помогут новичку выстроить реальную рабочую систему обучения.

В итоге не сидишь и гуглишь, что все эти названия значат, а сразу идёшь и делаешь:

• устанавливаешь Anaconda;

• качаешь Jupyter Notebook;

• подтягиваешь данные с Kaggle.

Каждый этап заканчивается действием — и это делает план интуитивно понятным.

Но, на наш взгляд, остались и слабые места, которые проигрывают ответу 4о. 

1. Неравномерная структура.

Очень чёткие и подробные первые два шага и довольно слабые третий и четвёртый.

2. Местами снова непонятный новичку язык:

• «Веди ноутбук с заметками». 

• «Сохрани ноутбук, сделай красивые графики».

Понятно, что речь идёт о Jupyter, но откуда новичок об этом знает?

В общем, ещё есть куда докручивать промпт.

Шаг 3

И теперь, чтобы сравнять результаты моделей, попросим GPT-5 расписать задачи на неделю ^[11]. 

Из плюсов: 

• Чёткая структура, с ресурсами, заданиями и темами.

• Ссылки на уроки, курсы и репозитории. 

Но, как и в случае с ответом от 4о, план очень интенсивный и едва ли подойдёт новичку. В общем, результат нужно подстраивать под конкретный темп конкретного человека.

5 vs 4o

После эксперимента стало понятно: GPT-5 пока заносит в плане подачи.

И поэтому для каждой модели — свои сценарии применения.

ChatGPT-4o показала себе лучше для обучения, объяснений и идей

Эта версия сильна там, где нужна понятность, структура и живой язык.
Она объясняет как преподаватель, а не как очень упоротый в технические детали разраб.

Подходит, если вы:

• начинаете разбираться в новой теме (ML, Python, дизайн-системы, аналитика);

• хотите, чтобы модель объяснила сложное простыми словами, с примерами и аналогиями;

• готовите статьи, обучающие материалы, гайды или сценарии уроков;

• ищете креативные решения, формулировки, концепции, идеи, примеры визуалов.

ChatGPT-5 хорош для глубокого анализа и системных задач

Пятая версия, по ощущениям, базово не пытается быть приятной — она старается дать всё самое полезное разом.

Подходит, если вы:

• разбираетесь в теме и хотите ускорить работу — писать код, анализировать данные, проектировать архитектуры;

• готовите технические документы, ТЗ, сложные спецификации, планы и пайплайны;

• проверяете гипотезы, делаете аналитические выборки, формулируете алгоритмы.

Итог

Мы рассказали, как ChatGPT-4o и ChatGPT-5 могут помочь вкатиться в машинное обучение. Обе модели справляются по-своему: одна объясняет живо и по-человечески, другая — точно и глубоко.

Но если честно, для нас чек-листы и расписания, которые они выдали, всё равно недотягивают до чистовиков.

Поэтому мы попросили нашего ML-специалиста собрать реальный рабочий чек-лист для тех, кто хочет вкатиться в машинное обучение:

1. Спланировать обучение целиком — от азов до первого проекта.

2. Расписать первую неделю пошагово — что изучать, какие ресурсы использовать, где практиковаться и как не перегореть на старте.

Вот что сказал Алексей Романов, тимлид и ML-инженер в Профи.ру.

---

В этом вопросе я скорее консервативен — считаю, что без изучения фундаментальных дисциплин вкатиться в ML будет сложно. На мой взгляд, следующие дисциплины обязательно нужно знать:

1. Комбинаторика → Теория вероятностей → Мат. статистика. 

2. Мат. анализ → Линейная алгебра → Методы оптимизации.

Для математической подготовки удобно выполнять упражнения сразу на Python, параллельно развивать оба скила. Не стоит забывать ^[12] и об SQL для работы с данными.

На финальном этапе можно всё свести воедино и изучать теорию машинного обучения, одновременно практикуясь в контестах. Но для этого все предыдущие пункты уже должны быть освоены. 

Ну а для первой недели я бы предложил не рвать с места в карьер и постараться сделать так, чтобы глаза не разбегались, — посмотреть какие-нибудь интервью с корифеями индустрии. Так станет понятнее, какие задачи решает ML, как соединить теорию с бизнес-задачами и какие смежные области существуют на сегодняшний день.

---

А вам какой результат больше понравился? Может, вообще не замечаете разницы между 4о и 5? Делитесь, обсудим :-)