Контекстная Нормализация (C-NORM): разделители важнее, чем кажется

Парадокс: Меняешь - на & в тех же данных — точность LLM падает с 81% до 10%. Семантика идентична, слова те же, но модель видит текст иначе. Метод C-NORM (контекстная нормализация) позволяет автоматически подобрать формат разделителей, который компенсирует слепые зоны модели в длинных контекстах — RAG, анализ пакетов документов, поиск по базе знаний. Метод тестирует 8-10 примеров с разными разделителями (:, ., ~, plain text), измеряет Attention Balance Score (насколько равномерно модель распределяет внимание по тексту), выбирает лучший формат — точность растёт на 30% для LLaMA, на 3-10% в реальных задачах.