VisualFLIP: мультимодальные модели часто не перечитывают изображение — а делают вид, что перечитали

Обнаружено: правильный ответ мультимодальной модели — не доказательство, что она смотрела на картинку. Это не баг конкретного сервиса — это системное поведение: модель работает по языковым шаблонам, а не по пикселям. Техника принудительного перечисления заставляет модель сначала описать что видит — и только потом отвечать, переворачивая порядок генерации так, что визуальное описание становится якорем вместо старого ответа. Без неё в диалоге с обновлённым изображением модель с высокой вероятностью повторит первый вывод — даже если на новой картинке всё изменилось.