محققان در مقالهای جدید به سراغ حل یکی از چالشهای بزرگ در مدلهای زبانی (LLM) رفتهاند که برای سیستمهای توصیهگر (Recommendation Systems) استفاده میشوند. معمولاً زنجیره تفکر (CoT) که مدلهای بزرگ تولید میکنند، برای آموزش مدلهای کوچکتر بیش از حد طولانی و پر از خطاست.
فریمورک جدید SCOReD با استفاده از توجه خودِ مدل دانشآموز، بخشهای اضافی تفکر معلم را شناسایی و حذف یا اصلاح میکند. نتیجه این کار شگفتانگیز است:
✅ افزایش دقت مدل (NDCG) تا ۱.۵۶٪
✅ کاهش ۲۷ درصدی در طول مسیرهای استدلالی (بهرهوری بالاتر)
✅ بهبود کیفیت یادگیری مدلهای کوچکتر
این روش یک گام رو به جلو برای سبکتر و دقیقتر کردن مدلهای هوش مصنوعی در کاربردهای تجاری و توصیهگرهاست.
منبع: arXiv AI