TL;DR
eMoT — техника, которая заставляет модель решать задачу дважды параллельно: один раз через свободные рассуждения, второй раз через явные вычисления. Потом сравнивает оба ответа. Если совпадают — принимает результат. Если расходятся — запускает примирительный шаг, где модель сама находит, где именно ошиблась.
Главная боль: модель уверенно считает, что 17 × 23 = 381, и строит на этом дальнейшие выводы. Ошибка в одном шаге тихо тянется дальше — и финальный ответ выглядит связным, даже если внутри него сломано всё. Модель не "знает", что посчиталось неверно — она просто генерирует текст, который звучит правдоподобно.
eMoT разрывает эту цепочку. Путь 1 — рассуждения словами. Путь 2 — явные вычисления по шагам (или код). Когда оба пути дают разные ответы, это красный флаг. Модель Stop: "стоп, здесь конфликт" — и разбирает, кто прав и почему.
Схема метода
Всё выполняется в одном промпте или в двух последовательных запросах.
ШАГ 1: Дистилляция → выделяем ключевые числа, ограничения, цель задачи
ШАГ 2 (параллельно):
Путь A — Рассуждение → ответ словами и логикой
Путь B — Вычисление → явная арифметика/формулы по шагам, финальная цифра
ШАГ 3: Сверка → сравниваем ответы A и B
├─ Совпали → финальный ответ принят
└─ Расходятся → ШАГ 4
ШАГ 4: Примирение → модель находит расхождение,
определяет какой путь верен, даёт исправленный ответ
Пример применения
Задача: Ты сооснователь стартапа. Вы с партнёром делали питч в ФРИИ и теперь обсуждаете условия: за 2,5 млн рублей инвестор хочет 15%. Сейчас у вас два сооснователя по 50%. После сделки — как распределятся доли? И если потом нужно будет зарезервировать 10% на опционный пул — как это изменит расчёт? Хочешь убедиться, что всё правильно.
Промпт:
Реши задачу о распределении долей двумя способами параллельно.
Задача: у двух сооснователей по 50%. Инвестор входит за 2,5 млн рублей
с долей 15%. Потом создаётся опционный пул 10%.
**Путь A — Логический:**
Рассуждай шаг за шагом: что происходит с долями на каждом этапе,
почему, что означает каждое изменение. Дай итоговые доли всех сторон.
**Путь B — Вычислительный:**
Запиши явные формулы и арифметику для каждого шага.
Считай по шагам, цифра за цифрой. Дай итоговые доли всех сторон.
**Сверка:**
Сравни финальные цифры из Пути A и Пути B.
— Если совпадают: подтверди ответ.
— Если расходятся: найди конкретный шаг где они разошлись,
объясни какой путь содержит ошибку и почему,
дай исправленный финальный расчёт.
Результат:
Модель выдаст два параллельных блока с промежуточными шагами — один в логике, второй в цифрах. Затем явно сравнит финальные цифры. Если где-то ошиблась (например, в порядке разводнения — сначала инвестор, потом пул, или наоборот), сверка это поймает. В блоке примирения модель укажет конкретный шаг расхождения и выдаст исправленный расчёт с объяснением.
Почему это работает
Модель генерирует текст по вероятности — следующий токен, который "звучит правдоподобно". При свободном рассуждении она может пропустить промежуточное вычисление, округлить в голове или потерять число из вида. Ошибка становится частью контекста — и следующие шаги строятся уже на ней.
Когда модель явно записывает вычисление по шагам — каждая цифра видна. Это не магия: просто нельзя "пропустить" промежуточный результат, если его нужно написать текстом. Структура промпта вынуждает модель делать явным то, что она обычно держит "в голове".
Сверка двух путей создаёт детектор ошибок без внешнего инструмента. Если свободное рассуждение и явный расчёт дают разное — значит где-то ошибка. Не нужно знать заранее где: сам факт расхождения — сигнал. Примирительный шаг заставляет модель локализовать ошибку, а не просто выдать новый "правдоподобный" ответ.
Ключевые рычаги: - Детализация Пути B — чем подробнее требуешь расчёт (каждое умножение отдельной строкой), тем выше шанс поймать ошибку - Тип Пути B — можно попросить Python-код вместо арифметики; в ChatGPT с Code Interpreter он выполнится реально - Глубина примирения — можно добавить "покажи конкретную строку расчёта где расхождение" для сложных задач
Шаблон промпта
Реши задачу двумя способами параллельно.
Задача: {задача с конкретными числами и условиями}
**Путь A — Рассуждение:**
Реши шаг за шагом через логику и объяснения.
Дай итоговый ответ: {что именно нужно найти}.
**Путь B — Вычисление:**
Запиши явные формулы и арифметику для каждого шага.
Считай пошагово, не пропуская промежуточных результатов.
Дай итоговый ответ: {что именно нужно найти}.
**Сверка:**
Сравни ответы Пути A и Пути B.
— Если совпадают: подтверди итоговый ответ.
— Если расходятся: найди конкретный шаг расхождения,
объясни какой путь содержит ошибку,
дай исправленный финальный ответ.
Плейсхолдеры:
- {задача} — полностью, с конкретными числами. Чем точнее, тем лучше работает Путь B
- {что именно нужно найти} — конкретная метрика: "итоговая сумма", "доля каждого", "количество дней"
🚀 Быстрый старт — вставь в чат:
Вот шаблон метода двойной проверки. Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы уточнить числа и условия.
[вставить шаблон выше]
LLM спросит какие именно числа и условия нужно подставить — потому что Путь B требует конкретных данных для явного вычисления, и без них шаблон не запустится.
Ограничения
⚠️ Качественные задачи: Метод работает там, где есть правильный ответ. Для субъективного текста, оценки стратегии, творческих задач — двойная проверка не даёт преимущества. Нет "верного расчёта" — нечего сравнивать.
⚠️ Системная память не доступна: Оригинальный eMoT накапливает успешные шаблоны рассуждений между сессиями и учится на них. В обычном чате каждый разговор начинается с нуля — этой части нет.
⚠️ Длинные цепочки рассуждений: При очень длинных задачах модель может "согласиться сама с собой" даже при ошибке — если ошибка системная и одинаково присутствует в обоих путях. Тогда сверка ничего не поймает.
⚠️ Токены: Два параллельных пути — вдвое больше текста. Для простых задач дороже, чем нужно. Используй для задач где цена ошибки высока.
Ресурсы
Работа: eMoT: evolving Memory-of-Thought via Symbolic Anchoring and Memory Corrosion
Авторы: Xiang Li, Jiwei Wei, Ke Liu, Yitong Qin, Jinyu Guo, Malu Zhang, Peng Wang, Yang Yang
Организация: Center for Future Media, University of Electronic Science and Technology of China, Chengdu
Связанные методы: Chain-of-Thought (CoT), Tree-of-Thought (ToT), Buffer-of-Thoughts (BoT), Program-Aided Language models (PAL)