3-Step Counterfactual: как найти слова, которые меняют решение LLM

Модель выдала результат — но ты не знаешь КАКИЕ ИМЕННО слова сработали триггером. Она говорит "негативный отзыв", но это из-за "затянулась" или из-за общего тона? Чёрный ящик. Метод контрфактуальных примеров позволяет увидеть карту влияния слов на вывод модели. Меняешь минимум слов → предсказание переворачивается → значит, эти слова критичны. Три шага в одном промпте: (1) модель находит ключевые слова с весами влияния, (2) подбирает замены, которые сдвинут вывод к нужной категории, (3) собирает изменённый текст. Ты видишь не только ЧТО поменялось, но и ПОЧЕМУ — модель показывает рассуждения на каждом шаге. Это как A/B-тест для промпта: изменил одно слово → вывод перевернулся → нашёл триггер.