محققان در پژوهشی تازه به یک چالش کلیدی در مدلهای زبانی چندمعلمی (Multi-Teacher) پرداختند: «انحراف در فراخوانی ابزار» (Tool-Call Drift).
این مطالعه نشان میدهد که روشهای رایج تقطیر دانش (Distillation) به دلیل نادیده گرفتن برخی احتمالات مهم در خروجی مدلهای معلم، باعث میشود مدل هنگام مواجهه با درخواستهای ساده، به اشتباه سراغ ابزارهای پیچیده برود یا برعکس.
نتایج این تحقیق نشان میدهد که اصلاح این فرایند، دقت مدل را در تصمیمگیریها بهینهتر میکند، اما همیشه به معنای بهبود مطلق نیست و نوعی دادوستد (Trade-off) بین محافظهکاری و توانمندی مدل ایجاد میکند.
این دستاورد گام مهمی برای افزایش دقت و هوشمندی دستیارهای هوش مصنوعی در محیطهای کاری پیچیده است! 🤖⚙️
منبع: arXiv Machine Learning