Rubric-Anchored Evaluation: почему LLM без чеклиста ставит всем одинаково высоко

Просишь LLM оценить пять вариантов — получаешь пять раз «74–78 из 100». Это не случайность: без критериев модель не различает хорошее и плохое, она берёт «среднее по больнице» из обучения и ставит всем «вполне нормально». Метод позволяет получить оценки, где разрыв между сильным и слабым вариантом действительно виден. Фишка: дай конкретную рубрику — и модель переключается с «вынести вердикт» на «проверить чеклист», а разрыв между оценками вырастает в 2–5 раз.