Delimiter Sensitivity: одиночный символ между примерами меняет точность модели на 18-45%

Один символ-разделитель между примерами в промпте (запятая, перенос строки, хэштег) меняет точность LLM на 18-45% — это эквивалент трёх лет эволюции моделей. Проверено на MMLU, ARC-challenge для Llama, Gemma, Qwen, GPT-4o. Метод позволяет стабилизировать точность на few-shot задачах (когда даёшь примеры в промпте) вне зависимости от выбора разделителя. Фишка: добавь одну строку "примеры разделены символом X" — модель перестаёт угадывать где границы примеров, точность стабилизируется на 70-80% вместо плавающих 30-80%.