Фидбек чинит ошибки лучше, чем кажется — но LLM-судья это не видит

Модель получила точный фидбек: "цена неверна, надо 150 тыс, а не 200" — и исправила. Другая версия того же текста переписана без подсказки — вышло глаже, но цена так и осталась неверной. Просишь третью модель выбрать лучший вариант — и она в 45-66% случаев берёт гладкий, но неисправленный. Судья путает "звучит гладко" с "исправлено правильно" — угадывает верный вариант только в 34-55% случаев, это хуже монетки.