arXiv:2605.26827 83 26 мая 2026 г. PRO

ContextGuard: аудит перед правкой — защищай правильное, исправляй сомнительное

КЛЮЧЕВАЯ СУТЬ

Просишь «проверь и улучши» — модель ломает то, что уже работало. Не потому что плохая, а потому что получила сигнал «сделай лучше» и честно переписала всё. Результат: исправила 3 нарушенных требования, случайно сломала 2 из 7 рабочих — итог хуже чем был. ContextGuard позволяет точечно трогать только проблемные зоны, не ломая то что уже верно. Фишка: сначала аудит — что защищено, что под правку. Модель получает не размытое «улучши», а точный список: вот зоны вмешательства C и D, вот A и B — дословно не трогать. Правка превращается из угадайки в хирургию.

Адаптировать под запрос

Контент доступен только для PRO подписчиков

Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс

YandexPay • SberPay • СБП • Карты РФ

⚡ Оплатить через Tribute

Telegram Stars • Моментальный доступ

Узнать о PRO

📋 Дайджест исследования

Контент доступен только для PRO подписчиков

Чтобы получить доступ к дайджесту этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс

YandexPay • SberPay • СБП • Карты РФ

⚡ Оплатить через Tribute

Telegram Stars • Моментальный доступ

Узнать о PRO

Контент доступен только для PRO подписчиков

Чтобы получить доступ к концептам этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс

YandexPay • SberPay • СБП • Карты РФ

⚡ Оплатить через Tribute

Telegram Stars • Моментальный доступ

Узнать о PRO

📖 Простыми словами

Контент доступен только для PRO подписчиков

Чтобы получить доступ к упрощённому объяснению этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс

YandexPay • SberPay • СБП • Карты РФ

⚡ Оплатить через Tribute

Telegram Stars • Моментальный доступ

Узнать о PRO

Работа с исследованием

Адаптируйте исследование под ваши задачи или создайте готовый промпт на основе техник из исследования.

Выберите модель ИИ:

Ваш запрос:

0 / 2000

~0.5-2 N-токенов ~10-30с

~0.3-1 N-токенов ~5-15с

Почему это работает

Слабость LLM: Когда модель редактирует свой текст «в лоб», она работает как человек, которому сказали «перепиши это лучше» — перетряхивает весь текст. Без явных указаний что менять, а что нет, модель не умеет различать «уже хорошее» и «требующее правки». Она генерирует текст по паттерну «улучшенная версия» — а значит, всё под угрозой изменения.

Сильная сторона LLM: Модель хорошо работает с чёткими инструкциями и явными ограничениями. Если сказать «не трогай список A», она это соблюдает. Если дать конкретный перечень что исправить, она исправит именно это.

Как метод использует сильное против слабого: ContextGuard превращает размытую задачу «стань лучше» в точную задачу «вот список D — исправь только его, вот список A+B — не трогай их». Модель перестаёт гадать что в ответе хорошо, а что нет — аудит уже решил это явно.

Рычаги управления: Есть несколько способов усилить эффект. Можно расширить структуру аудита — добавить категорию для критических ошибок отдельно от просто неверных частей. Для коротких текстов с плотными требованиями имеет смысл просить аудит на уровне предложений, а не абзацев. И чем длиннее исходный промпт, тем важнее повторить ключевые ограничения в конце — модели часто теряют начало из виду.

Шаблон промпта: Я предлагаю трёхшаговый подход. На первом шаге даю задачу с требованиями и в конце напоминаю о самых критичных ограничениях. На втором шаге провожу структурный аудит, разделяя результат на четыре категории — что точно выполнено, что верно фактически, что могло быть упущено и что может быть неправильным. На третьем шаге исправляю ответ на основе этого аудита. I'm looking at a template for a method called ContextGuard that helps protect specific parts of content during edits by categorizing requirements into protected zones (A and B) that shouldn't be touched, and areas that can be modified (C and D). The template includes instructions for users to fill in their task description, list all requirements, and identify the 2-3 most critical ones that are frequently overlooked. There's also a note that this method only works effectively when there are at least 5 explicit criteria the response needs to meet, otherwise it's overkill for simpler tasks.

Now I'm noting the key limitations: the method requires three separate requests instead of one, which multiplies the overhead for handling multiple tasks; the audit step itself can make mistakes in categorizing requirements, so critical work should be double-checked; and on shorter texts with fewer requirements, the benefit over standard editing is minimal compared to longer, requirement-dense content.

For the research methodology, they used CL-Bench, a benchmark designed to measure how well models apply complex contextual rules where all criteria must be met simultaneously—averaging 16.6 requirements per task with some reaching 114—making it a strict pass-fail evaluation. They tested three approaches: baseline generation, Self-Refine with standard self-checking, and ContextGuard, with Qwen3.5-4B achieving 9.64 on the baseline.

The results showed Self-Refine reaching 10.48% while ContextGuard hit 13.85%, though Self-Refine actually dropped 0.5% on empirical discovery tasks, suggesting unguarded corrections actively broke working solutions. The ablation study revealed that removing the protection layer caused sharp performance drops, confirming the core insight: fixing errors matters less than safeguarding what's already correct, with structural auditing providing the biggest gains followed by requirement reminders during draft generation.

For practical adaptation, I can implement specialized auditor agents that target different error types—format violations, procedural mistakes, factual inaccuracies—by having the model evaluate responses through multiple focused lenses rather than generic self-review.

The protection principle also extends beyond this specific task: when iterating with a model, I can explicitly accept confirmed points from previous responses and only revise the uncertain ones, combining this selective refinement with chain-of-thought reasoning to maintain correctness while improving weak areas.

Now I'm looking at a research paper on structured self-auditing for context learning in language models from researchers at Peking University and South China University of Technology.

The method itself is quite practical — it uses a four-category audit framework with a protection set to prevent self-refinement from breaking correct content, and it's entirely applicable through prompting without needing any code. The technique addresses a real problem where models often damage accurate information when asked to revise their own work. While it does require multiple requests rather than a single pass, the approach scores well on applicability and usefulness, probably landing around 82-85 in terms of overall value.

Меню

ContextGuard: аудит перед правкой — защищай правильное, исправляй сомнительное

Контент доступен только для PRO подписчиков

Контент доступен только для PRO подписчиков

Контент доступен только для PRO подписчиков

Контент доступен только для PRO подписчиков

Работа с исследованием

Результат адаптации