Los investigadores desarrollaron G-Frame, un framework multiagente adaptativo que integra principios bayesianos y de juegos en equipo para mitigar las alucinaciones en modelos de lenguaje grandes ligeros. Este enfoque establece un bucle cerrado automatizado para la síntesis de datos de alta calidad y el entrenamiento del modelo, forzando la internalización de restricciones del dominio a través del razonamiento estructurado.
- El framework sintetizó un corpus especializado que contiene 363.045 cadenas de pensamiento (chains-of-thought) y 199.589 pares de pregunta-respuesta.
- El modelo resultante de 7B, OmniChem, alcanza una paridad de rendimiento con GPT 4o mini en benchmarks personalizados y ChemBench.
- OmniChem exhibe una reducción del 79,46% en alucinaciones en relación con su arquitectura base.
- El sistema demuestra capacidades avanzadas en diseño molecular y planificación de síntesis.
Este trabajo establece un paradigma escalable que utiliza agentes multiagente adaptativos para superar deficiencias inherentes de razonamiento, ofreciendo una vía factible para acelerar el descubrimiento de conocimiento en campos científicos especializados.