Загрязнение vs. дефицит: почему ложный контекст ломает LLM сильнее, чем неполный

Самая точная модель в тесте — Gemini с 90.6% точности — рухнула сильнее всех при ложных данных: минус 54 процентных пункта за один неверный факт в контексте. Умный не значит устойчивый к обману. Исследование даёт инструмент для диагностики плохого ответа: ложный контекст и неполный контекст — разные болезни с разными лекарствами. Добавлять детали бесполезно, если проблема не в пробелах, а в неверной посылке — модель продолжит уверенно строить логику на ложном фундаменте.