Instruction-Induced Label Collapse: почему LLM не видит ненависть, иронию и всё неочевидное при классификации

Три модели дали одинаковый ответ — и все три ошиблись. Fleiss' Kappa (метрика реального согласия) на сарказме ≈ -0.001: это статистически хуже случайного угадывания. Метод позволяет ловить ненависть, иронию и пассивную агрессию там, где LLM раньше стабильно ставила 'нейтральный'. Фишка: убери из инструкции одну строку — 'если непонятно, выбери Нейтральный' — и модель больше не может сбежать в безопасный дефолт. Приходится разбираться с нюансом — а не прятаться за него.