هوش مصنوعی
چارچوب ALBI از مدل‌های زبانی برای یادگیری قواعد منطقی با راستی‌آزمایی Prolog استفاده می‌کند
پژوهشگران در پیش‌چاپی در arXiv، روشی چرخه‌ای برای تولید و اصلاح فرضیه‌های برنامه‌نویسی منطقی استقرایی معرفی کرده‌اند؛ ارزیابی آن روی ۳۰ معیار، با موفقیت ۱۰۰درصدی در سه مدل زبانی پیشرفته همراه بوده است.
ALBI مخفف Agent for Learning By Induction است؛ چارچوبی نوروسمبلیک که در الگوی Learning from Failures، مولد فرضیهٔ مبتنی بر ASP را با یک مدل زبانی بزرگ جایگزین می‌کند و SWI-Prolog را برای راستی‌آزمایی رسمی نگه می‌دارد.
در این روش، مدل زبانی با استفاده از پرامپت‌های ساختاریافته فرضیه‌های کاندید تولید می‌کند. Prolog هر فرضیه را می‌آزماید و بازخورد تشخیصی حاصل، مبنای اصلاح پیشنهاد بعدی قرار می‌گیرد. پژوهشگران همچنین روشی به نام «ناشناس‌سازی معنایی» برای آزمون دگرریختی معرفی کرده‌اند تا مشخص شود سیستم واقعاً ساختارهای نمادین را استقرا می‌کند یا صرفاً از نام محمول‌ها الگو می‌گیرد.
بر اساس چکیدهٔ پیش‌چاپ، ALBI در ۳۰ معیار استاندارد برنامه‌نویسی منطقی استقرایی، با سه مدل زبانی پیشرفته به موفقیت ۱۰۰درصدی رسیده است. چکیدهٔ در دسترس نام مدل‌ها را فقط با اشاره به Gemini 3 آغاز می‌کند و جزئیات بیشتری دربارهٔ نتایج ارائه نمی‌دهد.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده