Парная проверка условий и статус «flawed»: как поймать модель, которая заметила брак в задаче, но всё равно написала «решено»

Обнаружено: сильные модели видят брак в задаче, пишут о нём в тексте и всё равно ставят в конце «решено». У трёх свежих моделей из 12 пропущенных бракованных задач в 11 случаях дефект был назван вслух. Метод позволяет отличить внимательную модель от той, что просто дожала задачу до числа: в каждом ответе сверяются статус, рассуждение и итоговая цифра. Берёшь задачу и её «испорченного близнеца» с одним сломанным числом, а статус привязываешь к найденному дефекту. Модель называет тип дефекта и причину в строго заданных полях. Так видно, где она заметила проблему, тихо выкинула данные и отрапортовала об успехе.