Три поломки длинного диалога: как LLM теряют надёжность по мере роста разговора

GPT-4o: 96% точности на одном запросе → 63% в длинном разносортном диалоге. Небольшие модели падают ещё ниже — до 24%. Это не случайность и не баг конкретной модели. Исследование доказало: деградация предсказуема и делится на три чётких паттерна поломки. Метод позволяет заранее знать, в каком именно месте сломается твой длинный чат — и закрыть каждую поломку конкретным приёмом. Фишка: виновата не длина разговора, а его разнородность — вопрос «расскажи подробнее» убивает раннее ограничение сильнее, чем десяток нейтральных реплик. Знаешь паттерн — компенсируешь.