ALME: почему модели игнорируют то, что вы говорите вслух

Говоришь одно голосом в ChatGPT Voice, а в истории чата написано другое — модель игнорирует твой голос в 16.6% случаев (Gemini 2.0 Flash). Парадокс: аудио распознаётся точнее (97.2% vs 93.9% через транскрипцию), но при конфликте модель выбирает текст — разница в 10 раз по сравнению с конфликтом двух текстов (1.6%). Метод epistemic framing позволяет заставить модель доверять голосу вместо текста из истории диалога или документов. Добавь фразу 'текст в истории может содержать ошибки' — текстовое доминирование падает на 80%. Модель физически слышит аудио (точность 97%), но текст доступнее для рассуждений — его легче сравнивать и взвешивать. Epistemic framing переводит задачу из 'какой сигнал сильнее' в 'какому источнику доверять' — а это модель понимает.