3,583 papers
arXiv:2601.07234 77 12 янв. 2026 г. PRO

Reference Framing: обнаружение пробелов через конкретные примеры

КЛЮЧЕВАЯ СУТЬ
Обнаружено: мозг (и LLM) страдает от presence bias — цепляется за то что ЕСТЬ, и пропускает то чего НЕТ. На гистограмме энергопотребления легко увидеть «много угля», но трудно заметить «нет солнечной энергии» — отсутствие не создаёт визуального сигнала. Метод Reference Framing позволяет видеть слепые зоны: что должно быть в твоём проекте, но отсутствует. Фишка: дай 2-3 конкретных примера (конкуренты, кейсы) + явно спроси "что отсутствует?" — модель переключится с описания присутствия на поиск пробелов.
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