مدلهای فعلی در پاسخدهی به سوالات چندمرحلهای (Multi-hop QA) معمولاً با دو مشکل بزرگ دست و پنجه نرم میکنند: «فرسایش توجه» و «انباشت خطا». حالا محققان چارچوب جدیدی به نام THOR را معرفی کردهاند که با الهام از «نوسانات تتا-گاما» در مغز انسان، این مشکلات را هدف قرار داده است.
این معماری با تفکیک برنامهریزی کلان از بازیابی محلی، نهتنها انتقال توجه بین مراحل مختلف استدلال را بهینه میکند، بلکه با یک مکانیسم خودترمیمی، از گسترش خطاها در طول زنجیره تفکر جلوگیری میکند. نتیجه؟ پاسخهای دقیقتر، هوشمندتر و قابلاعتمادتر در مدلهای آینده! 🧠✨
منبع: arXiv AI