Les chercheurs ont développé G-Frame, un framework multi-agents adaptatif qui intègre les principes bayésiens et du jeu d'équipe pour atténuer les hallucinations dans les grands modèles de langage légers. Cette approche établit une boucle fermée automatisée pour la synthèse de données de haute qualité et l'entraînement du modèle en forçant l'intériorisation des contraintes du domaine par un raisonnement structuré.
- Le framework a synthétisé un corpus spécialisé contenant 363 045 chaînes de pensée et 199 589 paires question-réponse.
- Le modèle résultant de 7 milliards de paramètres, OmniChem, atteint une parité de performance avec GPT 4o mini sur les benchmarks personnalisés et ChemBench.
- OmniChem présente une réduction de 79,46 % des hallucinations par rapport à son architecture de base.
- Le système démontre des capacités avancées dans la conception moléculaire et la planification de synthèse.
Ce travail établit un paradigme évolutif utilisant des multi-agents adaptatifs pour surmonter les déficiences inhérentes au raisonnement, offrant une voie faisable pour accélérer la découverte de connaissances dans les domaines scientifiques spécialisés.