Think-Reflect-Revise: рефлексия с опорой на политику для безопасности LLM

Парадокс: LLM не распознаёт скрытую угрозу в запросе (текст задом наперёд, вредное намерение в сюжете игры), но сама генерирует явный вредный контент в ответе — и игнорирует этот сигнал. Метод Think-Reflect-Revise позволяет модели использовать свой первый ответ как объект для проверки — найти проблемы, которые пропустил первый проход. TRR добавляет этап явной рефлексии между первым выводом и финальным ответом: модель рассуждает (Think), проверяет вывод по политике безопасности (Reflect), исправляет (Revise). Три этапа вместо одного — рефлексия находит до 40% проблем, пропущенных на первом шаге.