محققان در مقاله جدیدی روشی به نام «Exploratory Sampling» (یا به اختصار ESamp) را معرفی کردهاند که میتواند محدودیتهای مدلهای زبانی بزرگ (LLM) را در تولید پاسخهای متنوع بشکند.
💡 نکته کلیدی:
مدلهای فعلی هنگام تولید متن معمولاً به سمت الگوهای تکراری میروند. این روش جدید با استفاده از یک لایه «Distiller» در زمان اجرا، خطاهای پیشبینی مدل را تحلیل کرده و آن را به سمت تولید محتوای کمتر دیده شده و متنوعتر هدایت میکند.
نتیجه؟ افزایش چشمگیر کارایی مدل در حل مسائل منطقی (Reasoning) با حداقل افت سرعت و منابع.
این یعنی در آینده نزدیک، مدلهای هوش مصنوعی در استدلالهای پیچیده بسیار هوشمندتر و خلاقتر عمل خواهند کرد.
منبع: arXiv AI