FLIP: оценка ответов LLM через обратный вывод

Обнаружено: маленькие модели (1B-8B параметров) катастрофически плохи в прямой оценке ответов — точность 17-21%, что хуже случайного выбора (25%). Причина — разрыв между оценкой и генерацией: модель не умеет рассуждать «это хорошо на 7 из 10», но умеет генерировать текст по паттерну. Метод FLIP позволяет маленьким моделям оценивать качество ответов, используя их силу вместо слабости. Фишка: модель не оценивает ответ, а восстанавливает исходный запрос по ответу — насколько точно восстановила, настолько хорош ответ. Результат: +79.6% к базовым методам, на фокусных задачах +118%.