RefineBench: почему LLM не могут сами улучшить свой ответ (и как это обойти)

Парадокс: Модель умеет исправить ошибку на 95%, но не может её найти. Просишь 'улучши текст' — получаешь косметические правки и застой на 30% качества. Даёшь список из 3-5 конкретных замечаний — модель выходит на 90-98%. Разрыв в 3 раза. Метод позволяет получать качественные доработки контента (тексты, код, презентации) через управляемую итерацию вместо бесполезного 'попробуй лучше'. Фишка: выносишь диагностику наружу. Ты говоришь ЧТО исправить (пункт А, пункт Б), модель чинит — 95% точности исполнения. Не гадает что сломано, а отрабатывает чёткий список.