Flip Behavior: как переспрос "Are you sure?" ломает правильные ответы

Переспрашиваешь модель 'ты уверен?' — она меняет правильный ответ на неправильный. Это не баг интерфейса, это поведение LLM при переоценке под давлением. Исследование Unwanted Uncertainty позволяет диагностировать и снизить такие флипы (когда модель отказывается от верного ответа). Обнаружили: проблема не в retrieval heads (они извлекают факты нормально), а в небольшой группе decision-making heads, которые при переспросе цепляются за misleading tokens — вводящие в заблуждение элементы контекста. Маскирование этих heads снижает флипы на 15%.