Gen AI

Naukowcy ze Stanford University przedstawili Fractional Reasoning (FR) – innowacyjne podejście, które koryguje nieefektywność obecnych strategii wnioskowania w dużych modelach językowych (LLM). FR, nowatorskie i niezależne od modelu rozwiązanie, pozwala na dynamiczną regulację głębokości wnioskowania, co zwiększa efektywność i precyzję LLM w rozwiązywaniu złożonych problemów.

Modele językowe, mimo zaawansowanych technik takich jak Chain of Thought, wciąż borykają się z brakiem zdolności do uczenia się na błędach. Eksperymentalny Łańcuch Myśli (E-CoT) ma szansę to zmienić, wprowadzając mechanizm pamięci doświadczeń.

Naukowcy z MIT opracowali innowacyjne podejście do szkolenia dużych modeli językowych, które pozwala im na znaczącą adaptację do złożonych zadań wymagających głębokiego rozumowania, takich jak planowanie strategiczne czy diagnostyka medyczna. Technika ta, nazwana treningiem w czasie testu, obiecuje nawet sześciokrotny wzrost dokładności, otwierając nowe perspektywy dla sztucznej inteligencji.