Паттерны неэффективности LLM: когда модель зацикливается или тормозит

Две модели решили одну задачу идеально. Первая — за 18.8 секунд с 3 вызовами инструментов. Вторая — за 625 секунд с 917 вызовами. Оценка у обеих: EXCELLENT. Разница в 49 раз по эффективности при нулевой разнице в качестве. Исследование 11 моделей на 5 задачах разработки выявило два паттерна слива времени: loop inefficiency (модель зацикливается, повторяя одни действия без признания провала) и inference inefficiency (модель медленно генерирует правильный ответ). Главный вывод: количество действий не коррелирует с успехом (Pearson r = 0.077, p = 0.575 — статистически нулевая связь). Фишка: больше инструкций ≠ лучше результат. Среди 4 моделей с идеальным скором (10/10) разброс по времени — 22×, по количеству инструментов — 49×, по стоимости — 53×. Одинаковое качество, разная эффективность.