هوش مصنوعی
معیارهای ImplicitHop توانایی مدل‌های زبانی در زنجیره‌کردن دانش را می‌سنجند
پژوهشگران دو معیار متنی برای ارزیابی استدلال قیاسی مدل‌های زبانی بزرگ معرفی کرده‌اند؛ یکی با گراف‌های کنترل‌شده و دیگری بر پایهٔ گراف‌های دانش دنیای واقعی.
پیش‌چاپی در arXiv با عنوان ImplicitHop دو معیار برای سنجش چگونگی ادغام اطلاعات تازه و استنتاج پیامدهای آن در مدل‌های زبانی بزرگ (LLM) معرفی می‌کند. معیارها استدلال قیاسی را برحسب عمق استنتاج می‌سنجند؛ یعنی بررسی می‌کنند مدل چگونه اطلاعات محلی را به پیامدهای دورتر پیوند می‌دهد، چه این اطلاعات در زمان آموزش به دست آمده باشند و چه در متن ورودی ارائه شوند.
معیار نخست بر گراف‌های صوری بنا شده و امکان ارزیابی کنترل‌شده در توپولوژی‌های گوناگون و وظایف مختلف ادغام اطلاعات را فراهم می‌کند. معیار دوم ترکیب دانش را با تکیه بر گراف‌های دانش دنیای واقعی می‌سنجد. چکیدهٔ در دسترس می‌گوید پژوهشگران از این دو معیار برای مقایسهٔ دانش استفاده کرده‌اند، اما متن منبع جزئیات نتایج یا مدل‌های مقایسه‌شده را ارائه نمی‌کند.
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