Execution Grounding: заставь LLM считать кодом, а не рассуждать текстом — так видно, где она врёт

Обнаружено: модели пишут «применил разложение Тейлора и собрал члены» — а на деле просто прикинули на глазок, ничего не считая. Метод execution grounding позволяет увидеть, где именно модель теряет переменную или подгоняет ответ под типовой случай, вместо слепого доверия красивому тексту. Фишка — заставить модель писать код и реально его выполнять, а не рассуждать словами. Тесты с вариантами ответов (как в ЕГЭ) завышают точность на 12-39 процентных пунктов — модель угадывает по вариантам, а не считает.