RRD (Recursive Rubric Decomposition): рекурсивное разбиение критериев оценки для точного LLM-суждения

Парадокс: добавление критериев оценки ухудшает точность LLM-судьи. GPT-4o с базовыми критериями типа "текст полезен" или "ответ понятен" падает с 55.6% до 42.9% согласия с людьми — минус 13 пунктов. Хуже чем вообще без критериев. Проблема: широкие критерии подходят почти всем вариантам и не помогают различить качество. Метод RRD (Recursive Rubric Decomposition) позволяет создавать конкретные критерии оценки, которые реально различают варианты вместо того чтобы добавлять шум. Суть: широкий критерий рекурсивно разбивается на узкие подкритерии, пока каждый не начнёт различать ответы. "Полезность" → "решает исходную проблему" + "даёт конкретные шаги" + "учитывает ограничения". Затем фильтруются противоречивые и дублирующиеся критерии. Результат: ~20 конкретных непересекающихся критериев вместо 7 размытых общих.