Actor-Critic Screening: двойная проверка решений через две модели

Критиковать чужое решение модели легче, чем принимать своё с нуля — на этом построен метод Actor-Critic для задач отбора. Одиночные LLM показывают плохую калибровку (уверенность 0.95 и ошибка VS уверенность 0.6 и правота) и непоследовательность (от 31% до 100% чувствительности на одних данных в зависимости от структуры промпта). Решение: первая модель принимает решение по чек-листу критериев (actor), вторая независимо проверяет его (critic) с полным доступом к первому решению, обоснованию и уверенности. Правило агрегации определяет финал: хоть одна «за» → включить (any-include), обе «за» → включить (consensus), или critic имеет право вето. Результат: выше AUC (дискриминация) и ниже Brier score (калибровка) в обоих литобзорах, две лёгкие модели разнесли одну тяжёлую по качеству и стоили дешевле.