शोधकर्ताओं ने एम्प्लीट्यूड गेटिंग (AG) का प्रस्ताव रखा, जो एक नॉन-डेस्ट्रक्टिव इनफरेंस-टाइम विधि है जो फ़ीड-फॉरवर्ड नेटवर्क सक्रियण परिमाण को मॉड्युलेट करके बड़े भाषा मॉडलों में संरचित आउटपुट को बेहतर बनाती है, बिना वजन पुनः प्रशिक्षित किए। यह दृष्टिकोण पूर्व दिशा-परिवर्तन मरम्मतों की सीमाओं को संबोधित करता है, पूर्व-प्रशिक्षित वजन दिशाओं को संरक्षित रखते हुए छोटे प्रारूप या तर्क त्रुटियों को ठीक करते हुए।
- AG P1/P2/P3 और शाखा-विशिष्ट स्थलों तक फैले सूक्ष्म हस्तक्षेण प्रणाली को परिभाषित करता है, जो संयोजन-ऑरेकल हेडरूम को सीखे गए गेट्स से अलग करने वाले प्रोटोकॉल के माध्यम से मूल्यांकन किया गया।
- Qwen3.5-9B पर, श्रेणी-स्तर के सीखे गए गेट्स टूल/स्ट्रक्चर्ड/एजेंटिक प्रदर्शन को 38.66% से 42.92% तक बेहतर बनाते हैं, जिसमें हेर्मेस फंक्शन-कॉल कार्यों में लगभग +7.6 अंक की वृद्धि होती है।
- Qwen3-8B पर, हेर्मेस JSON मोड में +11.36 अंक की सुधार होता है।
- Qwen2.5-7B ऑरेकल हेडरूम को बनाए रखता है लेकिन वर्तमान सीखे गए गेट्स इसे पकड़ने में विफल रहते हैं, जो संकेत देता है कि तैनाती के लिए मॉडल-विशिष्ट राउटिंग की आवश्यकता है।
- तुलना दर्शाती है कि न तो एंट्रॉपी AG और न ही न्यूटन-शुल्ज़-विंडोड AG मॉडलों में समान रूप से प्रभावी हैं।
परिणाम टूल-स्ट्रक्चर्ड इनफरेंस को सुरक्षित FFN-स्तर अनुकूलन के लिए सबसे विश्वसनीय लक्ष्य के रूप में पहचानते हैं, हालांकि व्यापक क्रॉस-मॉडल मूल्यांकन अभी भी आवश्यक है।