تا حالا فکر کردید چرا وقتی چند مدل زبانی (LLM) با هم مشورت میکنند، گاهی نتیجه بهتر نمیشود؟ محققان در پژوهش جدیدی به این نتیجه رسیدند که مشکل از «تکراری بودن اطلاعات» است. وقتی همه مدلها ورودی یکسانی میگیرند، دچار نوعی «رفتار گلهای» شده و به جای تحلیل درست، فقط نظر هم را تایید میکنند.
برای حل این مشکل، فریمورک جدیدی به نام InfoDelphi معرفی شده که از «نامتقارن بودن اطلاعات» استفاده میکند. در این روش، هر مدل به بخشهای اختصاصی و متفاوتی از اطلاعات دسترسی دارد و باید از طریق تبادل نظر با بقیه، به نتیجه نهایی برسد.
نتایج فوقالعاده است: این روش باعث شده دقت پیشبینیها در مسائل پیچیده بین ۱۲ تا ۱۸ درصد نسبت به مدلهای فعلی افزایش پیدا کند! این یعنی هوش مصنوعی در آینده قرار است خیلی «فکر شدهتر» و دقیقتر عمل کند. 🧠💡
منبع: arXiv AI
