Planning Shift: почему LLM начинает "не с того" и как это использовать

Обнаружено: LLM планирует весь ответ до генерации первого токена — это доказано математически. Но на человеческих промптах модель стартует со смещения: первые 5-10 токенов идут «по приору» (среднее по обучению), потом модель корректируется и выходит на точный план. Метод позволяет снизить начальный bias и получить точность с первых токенов, не дожидаясь коррекции. Фишка: дай модели сначала сгенерировать промежуточный контекст (список фактов, данные, наблюдения). Когда модель переходит к основной задаче, она стартует с собственного текста (in-distribution), а не с твоего промпта (out-of-distribution). Начальное смещение падает или исчезает — сила планирования стартует сразу с R² ~0.8 вместо ~0.3.