Structured Output Benchmark: модели часто дают красивый JSON с неправильными значениями — и это незаметно

Парадокс: валидный JSON активно мешает замечать ошибки. Бенчмарк зафиксировал разрыв в 15-25 процентных пунктов между «структура корректна» и «значения правильные» — лучшая модель даёт точные данные в 83% на тексте и только в 24% на расшифровках встреч. Метод двухэтапного извлечения позволяет понять, каким полям в JSON доверять, а какие требуют ручной проверки. Шаг верификации переключает модель с «придумай похожее» на «найди точную цитату в тексте» — поля без цитат получают флаг «нет подтверждения», и сразу видно где модель додумала, а не извлекла.