محققان در مقالهای تازه به چالش مهم «اعتبارسنجی ارجاعات» در مدلهای زبانی بزرگ (LLM) پرداختند. در سیستمهای تحقیق عمیق (Deep-Research)، مدل باید هر ادعایی که مطرح میکند را با یک منبع معتبر مستند کند.
نکات کلیدی این پژوهش:
✅ بررسی ۸ مدل مختلف برای سنجش کیفیت ارجاعات (مانند GPT-5-mini).
✅ مدلهای سبکتر و ارزانتر در زمینه «ارتباط منبع» بسیار رقابتی عمل میکنند.
✅ تفاوت اصلی مدلها نه در دقت عددی، بلکه در «سوگیریهای جهتی» (Directional Bias) است که میتواند در فرآیند یادگیری تقویتی (RL) باعث خطای سیستم شود.
این تحقیق نشان میدهد که پیش از استفاده از یک LLM به عنوان قاضی برای ارجاعات، کالیبره کردن و شناخت دقیق سوگیریهای آن حیاتی است. 🧠
منبع: arXiv NLP
