NCP-Bench: почему LLM-рассказчик забывает свои же правила уже через 20 реплик

42% — столько времени топовая модель GPT-5.2 держит сюжет без противоречий уже после 20 реплик разговора. После 100 реплик прогонов без единого конфликта — единицы. И даже они не закрывают все цели истории. Бенчмарк NCP-Bench ловит момент, когда большая языковая модель (LLM) говорит «дверь заперта», а через пять ходов пускает героя пройти сквозь неё. Метод позволяет проверить и укрепить долгую интерактивную сессию — квест, ролевую игру, детектив — так, чтобы модель не забывала собственные правила посреди истории.