Los autores abordan el Problema de Discrepancia de Resolución en la síntesis contrastiva basada en plantillas, donde los candidatos a menudo difieren solo en unas pocas ranuras de entidades mientras que la optimización a nivel de secuencia distribuye la supervisión sobre plantillas compartidas. Proponen KARMA, un método que enumera caminos restringidos por esquema sobre grafos de conocimiento del dominio y los verbaliza como candidatos contrastivos alineados por ranura.
- El sistema emplea Slot-Parallel Alignment (SPA) para aplicar un objetivo desacoplado a nivel de ranura, enrutando la supervisión de preferencias específicamente a las ranuras de entidades discriminatorias.
- Se incluye atención enmascarada consciente de la ranura como una implementación opcional de evaluación empaquetada.
- KARMA supera a los modelos LLM base y a las líneas base SFT con los mismos datos en benchmarks biomédicos, de ciencias de la computación y química.
- El enfoque se compara favorablemente con los métodos existentes de preferencia a nivel de secuencia y token.
KARMA mejora la efectividad de la síntesis contrastiva asegurando que la supervisión se dirija hacia las entidades específicas que distinguen entre candidatos.