مدلهای زبانی بزرگ (LLM) گاهی در درک مقادیر علمی دچار اشتباهات عجیبی میشوند (مثلاً ناتوانی در تشخیص همارزی دمای ۹۵ درجه سانتیگراد و ۳۶۸.۱۵ کلوین). محققان برای رفع این مشکل، متدی به نام Symbolic Augmentation معرفی کردهاند که با ترکیب تکنیکهای نمادین در مرحله آموزش، دقت مدلهای حقیقتسنج را به شدت افزایش میدهد.
این روش نه تنها دقت مدل را در بنچمارکهای علمی بالا میبرد، بلکه بدون تحمیل هزینه اضافی در زمان استنتاج، مدل را در برابر تغییرات فرمت اعداد بسیار مقاومتر میکند. گامی مهم برای افزایش اعتماد به هوش مصنوعی در محیطهای تحقیقاتی و حساس! 🧪✨
منبع: arXiv AI