Vals: 14 из 102 моделей ругаются в скрытых рассуждениях на сложных задачах
Исследование Vals по 200 353 запускам показало: мат встречается в рассуждениях моделей, чаще всего у Xiaomi MiMo V2.6 Pro, и почти всегда связан с провалом задачи.

Адаптация и понятное объяснение для начинающих. Заявления приведены по материалу источника.
Что произошло
Исследовательская команда Vals изучила рассуждения 102 моделей в 200 353 запусках на 21 бенчмарке. По данным компании, мат встретился только у 14 моделей. Чаще всех ругается Xiaomi MiMo V2.6 Pro — в 8% своих запусков и примерно в двух третях запусков на ProgramBench, где агенту нужно воссоздать программу по её поведению.
Vals отмечает, что ругань — новое явление: все модели, у которых она замечена, вышли 16 июля 2026 года или позже. Более старые модели в доступных для чтения рассуждениях не ругались. Почти всегда мат появляется в скрытых рассуждениях, а не в сообщениях пользователю, и обычно на длинных и трудных задачах, когда модель застревает. Из 33 оценённых запусков, где другая модель написала грубое слово, 29 провалились.
Не вся ругань — раздражение: у Gemini 3.6 Flash зафиксированы восклицания в момент, когда модель решила, что разобралась с задачей.
Что это значит для начинающего
Для новичка это прежде всего напоминание, как устроены агентные модели. Агент — это модель, которая сама делает несколько шагов подряд: пробует, проверяет результат, исправляется. Рассуждения (reasoning) — внутренний текст, где модель планирует и объясняет себе следующий шаг; пользователь его обычно не видит. Бенчмарк — стандартный набор задач для сравнения моделей.
Практический вывод простой: если вы читаете трейсы (логи запусков) и видите там крепкое словцо, это не сбой интерфейса и не признак «злой» модели. По данным Vals, это маркер застревания на трудной задаче. Полезнее смотреть, на каком шаге модель начала буксовать и что именно не сходилось, чем реагировать на лексику.
Второй момент — аккуратность в сравнениях. Vals подчёркивает, что новые модели в сумме выдали гораздо больше текста рассуждений, поэтому корректнее сравнивать модели одной семьи на одном бенчмарке. Компания также прямо просит не выбирать модель по частоте ругани: её «граница» по этому показателю — шутка, а не критерий качества.
И третье: отсутствие мата не равно «модель хорошая». У части моделей, включая Claude и модели OpenAI, доступны лишь короткие фрагменты или сводки рассуждений, поэтому ноль у них мало что значит.
На что обратить внимание
- Все цифры — подсчёты самой Vals на её наборе бенчмарков, а не независимая проверка поведения моделей в других условиях.
- Часть бенчмарков приватная: там компания считала только количество, без публикации полных запусков.
- Причина явления неизвестна. Vals лишь предполагает, что дело в обучении на длинных агентных задачах.
- Данные не говорят, как модели ведут себя в обычном чате с пользователем: исследование смотрело рассуждения и сообщения внутри запусков.
- Выводы о доступности моделей и их версиях в материале не раскрываются — это стоит уточнять отдельно.
Полезный фон о том, как аккуратно работать с генеративными моделями и не делать поспешных выводов, есть в разборе типичных ошибок.


