Визуальные ловушки LLM: почему модели уверенно ошибаются на задачах с картинками — и как с этим работать

Замена одного слова в условии задачи подняла точность GPT с 3% до 80%. Не другая модель, не переписанный промпт — одно слово. Это значит, что проблема не в рассуждении: модель не видит, а потом уверенно объясняет то, чего нет. Трёхфазный структурированный промпт позволяет поймать ошибку восприятия до того, как начнётся анализ. Фишка: шаг 1 — только описание изображения, без выводов. Модель фиксирует что именно она «видит» — и вы это видите тоже. Если описание неточное, вы знаете об этом до того, как она начала рассуждать. С включённым режимом рассуждений точность прыгает с 73% до 86%.