Causal Tongue-Tie: LLM знает правильный ответ на причинно-следственный вопрос, но не может его высказать через Yes/No

0.97 точности внутри модели против 0.5 на выходе — модель правильно кодирует причинно-следственную связь в нестандартном сценарии, но её ответ «Да/Нет» хуже монетки. Метод позволяет вытащить то, что модель уже знает, но не может сказать вслух — заменив единственный токен ответа на развёрнутое рассуждение. Фишка: формат «Да/Нет» схлопывает всё рассуждение в один токен — и статистическое притяжение к «тому, что обычно бывает» побеждает твой контекст. Убираешь этот формат — внутреннее знание наконец выходит наружу. И это не лечится апгрейдом модели: от 0.5B до 72B разрыв одинаковый.