LogiHard: «ранний выход» — как LLM теряет половину правильных ответов при проверке сложных условий

Парадокс: модель с лучшим результатом на стандартных тестах провалилась сильнее всех, когда задача усложнилась. GLM-4.7 набрала 83% точности на обычных вопросах — и показала худший разрыв среди двенадцати моделей на составных условиях. Метод последовательной проверки позволяет находить ВСЕ проблемы в договоре или списке требований — не только первые, которые модель заметит до того, как решит, что ответ готов. Явный запрет писать итог до прохода каждого пункта ломает ранний выход: паттерн «нашла что-то подходящее → сделала вывод → остановилась». Точность исчерпывающей проверки поднимается с 5–38% до рабочих значений — без дообучения, одним изменением структуры запроса.