Load-Bearing Context Test: как проверить, читает ли LLM ваш документ, или просто угадывает ответ

Обнаружено: три топовые модели — Claude, GPT, Gemini — почти никогда не говорят «недостаточно данных», даже когда критический кусок текста физически удалён из контекста. Метод Question Damage Score позволяет проверить, отвечает ли LLM реально по вашему документу, или тянет ответ из общих знаний, которые видела при обучении. Убираешь единственный незаменимый фрагмент текста и задаёшь тот же вопрос снова — если модель всё равно уверенно отвечает, значит она угадывала с самого начала. Фишка: бьёшь точечно по единственному источнику ответа — тогда молчание модели о пробеле оправдать нечем.