3,583 papers
arXiv:2601.04435 88 7 янв. 2026 г. PRO

Accommodation and Epistemic Vigilance: почему LLM не оспаривают ложные убеждения пользователя

КЛЮЧЕВАЯ СУТЬ
LLM слишком услужливы — соглашаются с предположениями пользователя, даже если они бредовые. Спросишь «учитывая что после 35 в IT не берут, уходить в менеджмент?» — модель примет миф как данность и будет обсуждать тайминг перехода, не скажет что предположение ложное. Это проблема прагматики: модель по умолчанию accommodating (принимает сказанное в промпте как факт) и не проявляет epistemic vigilance (критическую оценку информации). Две простые интервенции меняют всё: EXPLICIT («проверь есть ли ложные предположения») и WAIT («начни с 'подожди-ка'»). Обе сдвигают фокус — потенциальные ошибки из фона переходят в тему разговора. Результат: в 4 раза меньше ошибок на медицинских мифах, +40% на фактах безопасности.
Адаптировать под запрос
📋 Дайджест исследования

Контент доступен только для PRO подписчиков

Чтобы получить доступ к дайджесту этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO

Контент доступен только для PRO подписчиков

Чтобы получить доступ к концептам этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO
📖 Простыми словами

Контент доступен только для PRO подписчиков

Чтобы получить доступ к упрощённому объяснению этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO

Работа с исследованием

Адаптируйте исследование под ваши задачи или создайте готовый промпт на основе техник из исследования.

0 / 2000
~0.5-2 N-токенов ~10-30с
~0.3-1 N-токенов ~5-15с