🧠 اصلاح خطاهای منطقی در مدل‌های زبانی با استفاده از منطق نمادین!

آیا تا به حال متوجه شدید که مدل‌های زبانی در استدلال‌های مرحله‌به‌مرحله (Chain-of-Thought) گاهی دچار خطاهای منطقی می‌شوند؟

محققان در مقاله جدیدی روشی به نام «Reason Popper-ly» را معرفی کردند که با استفاده از «برنامه‌نویسی منطق استقرایی» (ILP)، یک لایه نظارتی هوشمند ایجاد می‌کند. این سیستم مثل یک بازرس، مراحل استدلال مدل را بررسی کرده، خطاهای منطقی را تشخیص داده و بلافاصله آن‌ها را با منطق صحیح جایگزین می‌کند.

نتایج فوق‌العاده است: این روش توانسته دقت استدلال مدل‌های هوش مصنوعی را در بنچمارک‌های پیچیده تا ۴۸ درصد بهبود ببخشد. این یک گام بزرگ برای عبور از مدل‌های صرفاً احتمالات‌محور به سمت مدل‌های دارای قدرت استدلال واقعی است.

منبع: arXiv AI