محققان در تازهترین پژوهش خود برای رفع محدودیتهای مدلهای زبانی در «استدلالهای چندمرحلهای» (Multi-hop Reasoning)، معماری جدیدی به نام DiscoLoop معرفی کردهاند.
💡 نکته کلیدی:
مدلهای ترنسفورمر معمولی در حفظ اطلاعات مراحل قبلی استدلال دچار مشکل میشوند. DiscoLoop با ترکیب «جریانهای نهان پیوسته» و «جریانهای جایگذاری گسسته» در یک ساختار حلقوی، موفق شده است دقت استدلال را به شکل چشمگیری افزایش دهد. این یعنی مدلهای هوش مصنوعی حالا میتوانند مسیرهای منطقی پیچیدهتر را بسیار دقیقتر و با صرف انرژی آموزشی کمتر طی کنند.
این پیشرفت میتواند مسیر را برای تولید مدلهای هوشمندتر با درک عمیقتر از منطق انسانی هموارتر کند. 🚀
منبع: arXiv Machine Learning