🧠 ارتقای استدلال مدل‌های زبانی کوچک با قدرت گراف‌های دانش

مدل‌های زبانی بزرگ (LLM) بسیار قدرتمندند، اما هزینه سنگین و مصرف انرژی بالای آن‌ها باعث شده محققان به سراغ «مدل‌های زبانی کوچک» (SLM) بروند. با این حال، این مدل‌های کوچک در مسائل پیچیده منطقی دچار خطا می‌شوند.

در تحقیق جدیدی، دانشمندان از یک رویکرد «نورو-سمبلیک» برای حل این مشکل استفاده کرده‌اند. آن‌ها با ترکیب مدل‌هایی مثل Gemma 3 و Llama 3.2 با گراف‌های دانش (Knowledge Graphs)، توانستند دقت استدلال این مدل‌ها را تا ۲ برابر افزایش دهند! 🚀

این دستاورد نشان می‌دهد که با اتصال مدل‌های کوچک به پایگاه‌های دانش ساختاریافته، می‌توانیم هوش مصنوعی‌های کارآمدتر، ارزان‌تر و در عین حال دقیق‌تری داشته باشیم که برای کاربردهای دنیای واقعی بسیار بهینه‌تر هستند.

منبع: arXiv Machine Learning