REFLECT: пошаговая оценка по критериям vs "оцени целиком" — почему LLM как судья ненадёжен

LLM как судья текста работает на уровне монетки: меньше 55% точности при оценке «в целом» — даже у топовых моделей. Метод REFLECT позволяет поднять точность на 14–34 пункта без смены модели и без дообучения. Фишка: вместо «оцени этот текст» — задай рубрику: оцени абзац 3 по критерию доказательности. Модель смотрит в одну точку, а не пытается охватить всё разом — конкретные ошибки становятся видимыми, а не размытыми по тексту.