Когнитивная асимметрия LLM: одна задача в тексте решается в 50 раз лучше, чем та же задача на картинке

Одна и та же задача про балансы весов в текстовом виде решается топ-моделями почти безупречно — и значительно хуже, когда показываешь картинку: это не вопрос качества изображения, а вопрос формата подачи. Метод позволяет получать надёжный аналитический ответ от LLM на любую визуальную задачу — просто переведя схему, граф или диаграмму в слова перед вопросом. LLM — это предсказатель следующего слова, обученный на тексте: когда задача приходит как картинка, модель сначала «переводит» изображение, и этот перевод — узкое место, где теряется точность. Та же информация, описанная словами, работает в родной среде модели — отсюда разница в разы.