Scaling vs. Social Simulation: когда рост модели улучшает понимание людей — и когда нет

Если ChatGPT отвечает на вопрос про аудиторию ровно и нейтрально — это не потому что аудитория ровная. Дообучение с выравниванием предпочтений (RLHF) схлопывает разброс мнений в суррогатное «люди в целом нейтральны» — это структурная особенность, не случайность. Stanford проверил 120+ моделей на глобальных опросах и составил карту: где LLM надёжна — и где врёт систематически. Фишка: явно проси крайние позиции — 'покажи самую скептичную и самую лояльную отдельно, без усреднения' — модель перестаёт причёсывать и показывает реальный спектр. Три слепые зоны не улучшатся с ростом модели никогда: незападные культуры, когнитивные искажения, прогнозы изменений во времени.