Fine-Grained Scoring для LLM: целочисленная шкала вместо бинарной классификации

Парадокс: Chain-of-Thought улучшает логику, но убивает градации. Модель после рассуждений выдаёт только крайности — либо 0%, либо 100% уверенности. Просишь оценить релевантность документа — получаешь категоричное 'да' или 'нет', хотя в реальности есть 'скорее да', 'частично', 'почти нет'. Метод ERANK заменяет бинарный выбор на шкалу 0-10 с явными критериями. Модель перестаёт быть категоричной и начинает различать оттенки — вместо 'релевантно' с 99.9% даёт '7 из 10 — релевантно, но неполно'. Появляется пространство для реальной неопределённости.