End-Weighting Bias: LLM читает длиный текст и фокусируется на финале — начало и середина теряются

Парадокс именно здесь: GPT-4, Claude, Gemini — крупные модели суммируют длинные тексты менее равномерно, чем маленькие. Не хуже по языку — но сильнее перекошены к финалу. Метод принудительных остановок позволяет заставить любую LLM пройтись по всему тексту поровну, а не срезать прямо к развязке. Явно раздели текст на части в промпте — модель теряет возможность игнорировать начало и середину. Результат: сбалансированное саммари вместо пересказа последних страниц.