Интеллект, компилируемый через аффордансы: наблюдаемое сопоставление когнитивных импедансов для LLM-интегрированных систем без мета-доступа
Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
2020-05-22
SCID: 54.1/95m8uymm
Discuss with AI
ARCATLASAURORACPIКонтекстуальный персональный интеллектPolymeta
Figures from the paper
Abstract (AI)
В работе Affordance-Compiled Intelligence развивается теория сопоставления когнитивных импедансов (Cognitive Impedance Matching Theory, CIMT) — защищённая от мета-доступа теория компиляции, основанная только на наблюдаемых данных, для систем, интегрированных с большими языковыми моделями (LLM). Исследуется, как фиксированная политика модели может демонстрировать различные эксплуатационные возможности при перестройке окружающего мира посредством наблюдений, типизированных дескрипторов действий, валидаторов, путей исправления, режимов отката, областей полномочий, сводок контекста и проверяемых квитанций. В CIMT усиление возможностей на уровне системы рассматривается как задача компиляции на стороне мира, а не как задача улучшения весов модели. Эксплуатационные утверждения задаются посредством явных объектов утверждений и объектов доказательств с использованием зафиксированных наблюдаемых реестров, каналов целевой оценки, детерминированных редукторов, реестров бюджетов валидности, графов зависимостей доказательств, манифестов ввода-вывода артефактов, оболочек соответствия и сертификатов для конечных выборок или последовательных процедур. Люди-рецензенты, судьи на основе LLM, бенчмарки и внешние аудиторы не рассматриваются как привилегированные оценщики; они моделируются как именованные, подверженные ошибкам каналы измерения. Теория предлагает консервативную схему сертификации для парного улучшения целевого канала, учёта векторной задолженности, нулевых сертификатов запрещённых координат, дисциплины целевого межсетевого экрана, моделирования областей действия, динамического расширения, соответствия среды выполнения и политики модели, надёжности макросов, сжатия исправлений, переноса при сдвиге распределения и достаточности квитанций. Она также содержит разбор практических примеров для агентов редактирования кода и систем генерации с дополнением извлечёнными данными. Предполагаемый вклад работы — практическая формальная основа для повышения надёжности LLM-систем с фиксированной моделью посредством проектирования наблюдаемых интерфейсов, полномочий, валидации, исправления и аудита на стороне мира.
Key Findings
1
CPI объединяет четыре соэволюционирующие системы — Polymeta, ARC, ATLAS и AURORA — для создания адаптивного, реляционного и учитывающего жизнь ИИ.
2
CPI формируется четырьмя ключевыми измерениями: памятью, смыслом, ритмом и фазой развития.
3
Контекстуальный Личный Интеллект (CPI) предложен как новая парадигма ИИ, которая развивается вместе с человеком во времени.
4
В документе изложены архитектурная основа, философские последствия и дорожная карта разработки CPI.
Research Object
Система Contextual Personal Intelligence (CPI), интегрирующая Polymeta, ARC, ATLAS и AURORA
Research Subject
Парадигменное проектирование и эволюция ИИ, адаптирующегося к человеку во времени через память, смысл, ритм и фазу развития — то есть архитектурные основы, адаптивное/реляционное поведение и дорожная карта для «жизненно-осознанного» ИИ
Publication Details
Publication Date
2020-05-22
Journal
Publisher
ISSN
Cited by
4480
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Исследование пределов трансферного обучения с помощью унифицированного преобразователя текста в текст2019
Плотный поиск фрагментов текста для ответов на вопросы в открытом домене2020
Transformers от HuggingFace: современные методы обработки естественного языка2019
REALM: предварительное обучение языковой модели с дополнением за счет извлечения информации2020
Adam: метод стохастической оптимизации2021
Работы, цитирующие эту статью20
Плотный поиск фрагментов текста для ответов на вопросы в открытом домене2020
Объединение больших языковых моделей и графов знаний: дорожная карта2024
🧜Песнь сирены в океане ИИ: обзор галлюцинаций в больших языковых моделях2025
Аугментация текстовых данных для глубокого обучения2021
Использование поиска фрагментов текста с генеративными моделями для ответов на вопросы в открытом домене2021
Генерация с активным дополнением посредством поиска2023
Atlas: обучение в режиме few-shot с использованием языковых моделей, дополненных поиском2022
Сравнительный анализ больших языковых моделей в генерации с дополнением извлечённой информацией2024
Платформа для оценки клинической безопасности и частоты галлюцинаций больших языковых моделей при суммировании медицинских текстов2025
Дополнение извлечённой информацией снижает галлюцинации в диалогах2021
Обзор мультиагентных систем на основе больших языковых моделей: рабочий процесс, инфраструктура и проблемы2024
Сила шума: переосмысление поиска для систем RAG2024
RocketQA: оптимизированный подход к обучению для плотного извлечения фрагментов текста в системах ответов на вопросы в открытом домене2021
Улучшение адаптации к предметной области моделей генерации с дополнением извлечённой информацией (RAG) для ответов на вопросы в открытом домене2023
ИИ-агенты и агентный ИИ: концептуальная таксономия, применения и проблемы2025
Обзор больших языковых моделей и автономных агентов в химии2024
Генерация с дополнением поиском для больших языковых моделей в здравоохранении: систематический обзор2025
Модель «зрение‑язык» для генерации медицинских отчётов и визуального ответа на вопросы: обзор2024
Rag-Fusion: новый подход к генерации с дополнением поиска2024
Повышение эффективности анализа финансовых настроений с помощью больших языковых моделей, дополненных поиском2023