چارچوبی کم‌حجم برای تحلیل اسناد با مدل زبانی خودمیزبان

پژوهشگران در پیش‌چاپی در arXiv روش CLEO را برای ساخت عامل‌هایی معرفی کرده‌اند که بتوانند مجموعه‌های بزرگ و نامنظمِ شواهد را تحلیل کنند، بی‌آنکه به مدل‌های میزبانی‌شده یا مجموعه ابزارهای گسترده و دشوار برای ممیزی متکی باشند. این محدودیت‌ها، به‌گفتهٔ پژوهشگران، برای تیم‌های اطلاعاتی دولتی از ملاحظات امنیتی و هزینه‌ای ناشی می‌شوند.

CLEO مخفف «بهینه‌سازی محیط با حلقهٔ محدود» است و به‌جای تغییر مدل زبانی، چارچوب پیرامون آن را برای یک مدل ثابت و خودمیزبان تنظیم می‌کند. این روش با تکیه بر مجموعه‌داده‌ای اعتبارسنجی‌شده به‌دست متخصصان، فقط ابزارها، تدابیر کنترلی، سیاست‌های حافظه و اجزای حلقهٔ کاری‌ای را می‌پذیرد که دقت را بهبود دهند و در عین حال عمومی و قابل‌ممیزی باقی بمانند.

در مجموعه‌دادهٔ آزمونِ کنارگذاشته‌شده برای ارزیابی، عامل مبتنی بر CLEO نرخ موفقیت ۸۳٫۸ درصدی داشت؛ رقمی که بنا بر مقاله، ۱٫۲ واحد درصد از مبنای مقایسهٔ Claude Code SDK فاصله دارد. پژوهشگران می‌گویند چارچوب CLEO دو مرتبهٔ بزرگی کوچک‌تر است. این نتایج در نسخهٔ نخست مقالهٔ arXiv گزارش شده‌اند.