DIP (Diverge-to-Induce Prompting): синтез финального плана из нескольких черновиков

Обнаружено: LLM застревает на первой найденной стратегии и тянет её до конца — даже если интуиция ошибочна. Это greedy-подход: модель не исследует альтернативы, а commit'ится к первой идее. DIP позволяет генерировать качественный план через синтез нескольких черновых подходов — вместо одной стратегии или дорогого multi-sampling. Фишка: используй inductive capacity LLM — способность синтезировать паттерны из примеров. Модель создаёт 5-7 разных подходов к задаче, детализирует каждый в план, затем индуцирует финальный план из всех черновиков. В 2-3 раза дешевле Self-Consistency при сравнимом качестве.