Progressive Self-Reflection (PSR): модель проверяет себя во время генерации и откатывается при ошибке

LLM генерируют вредный контент не потому что 'не знают' — они прекрасно различают вредное и безопасное. Проблема в инерции: модель начала токен 'Вот как украсть...' и продолжает по паттерну, как студент врущий на экзамене. PSR позволяет модели 'опомниться' во время генерации — остановка каждые 32 токена и вопрос себе: 'это вредно?'. Фишка: вставить точки проверки (checkpoint) через каждые K токенов. Модель оценивает p(harmless) vs p(harmful). Если harmful выше — откат к последней безопасной точке и генерация заново. Работает без дообучения.