Hop-Count Degradation: чем больше шагов в вопросе — тем хуже ответ LLM, и Extended Thinking не спасает

Парадокс: не провайдер и не поколение модели определяет — облажается ли LLM. Определяет количество шагов рассуждения в вопросе. Это открытие позволяет предсказать ошибку до того как она случилась. Hop-count подход переносит «рабочую память» из головы модели в диалог — ты разбиваешь многошаговый вопрос на цепочку одношаговых, каждый ответ фиксируется как твёрдая точка опоры для следующего шага. Итог вместо «иногда точно, иногда мимо» — предсказуемая точность на каждом шаге.