Расчётные задачи - ахиллесова пята современных LLM

Топовые модели (ChatGPT-5, Claude Sonnet 4.5, Gemini 2.5, Grok 4) ошибаются в 37-55% расчётных задач из реальной жизни – финансы, физика, инженерия, медицина. Тест ORCA Benchmark показал парадокс: модели умеют рассуждать и выбирать правильные формулы, но ломаются на финальной арифметике. Две трети ошибок – это неправильное округление (35%) и арифметические промахи (33%). Решение: структурированный промпт с явным требованием показать все шаги + перепроверка через другую модель или встроенный калькулятор (Code Interpreter).