Суть метода простая:

• генерить вопрос и 4 варианта ответа
• затем варианты ответа убирают и просто заставляют модель ответить на тот же вопрос
• сравнивают варианты ответов и смотрят на сколько хуже/лучше стало

Из картинки можно заметить лидеров и тех, кто сильно проседает, если не давать варианты ответа