Transfer CoT и Ensembled CoT: объяснения, которые работают для любой модели

Одна и та же задача, три модели — три разных ответа. Согласованность между GPT, Claude и Gemini может проседать до 25% даже на логических задачах. Причина: каждая модель тащит свои «причуды обучения» — предпочтения формулировок, стилей рассуждений, паттернов. Transfer CoT позволяет проверить устойчивость рассуждений — одна модель генерирует объяснение, другие делают вывод на его основе. Если приходят к одному ответу — логика обобщается, если расходятся — рассуждение слабое. Фишка: убираешь готовый ответ из рассуждения, оставляешь только логику. Модель-получатель строит вывод сама — это фильтрует «идиосинкразии» первой модели. Ensembled CoT идёт дальше: собирает объяснение по кусочкам из нескольких моделей, выбирая на каждом шаге наименее удивительный вариант. Согласованность вырастает с 25% до 66%.