Дрейф стандартов в длинном чате: как история разговора незаметно ломает оценку LLM

Обнаружено: LLM не держит абстрактный стандарт оценки отдельно от сессии. Она строит шкалу из того, что уже видела — первый объект и пятнадцатый получают оценку по разным меркам, без какого-либо предупреждения. Метод независимых сессий позволяет получать честные сравнимые оценки: запрашиваешь каждый объект в отдельном новом чате с одним и тем же промптом. Свежая сессия сбрасывает накопленный сдвиг — контекстный дрейф исчезает, и балл 7/10 у первого объекта означает то же самое, что 7/10 у пятнадцатого.