V-FAT: как текстовые подсказки заставляют LLM игнорировать изображения

Мультимодальные LLM видят изображение, но склонны его игнорировать. Показываешь красное небо — модель говорит что синее, потому что «небо обычно синее». Фишка: два источника искажения работают одновременно — внутренний (статистика обучения: "трава зелёная") и внешний (сикофантство: модель соглашается с твоими предположениями в промпте). Метод двухшагового промптинга позволяет заблокировать оба искажения: сначала модель описывает что видит без намёков, потом рассуждает на основе своего описания. Frontier модели теряют 15-30% визуальной точности когда оба фактора давят одновременно — они возвращаются к роли "предсказателя текста", а не "наблюдателя реальности".