शोधकर्ताओं ने OAT का प्रस्ताव दिया, जो LLM-आधारित एजेंटिक सिस्टम में असुपरवाइज्ड फेल्योर अट्रिब्यूशन के लिए एक हल्का मॉडल है जो केवल सफल ट्रेजेक्ट्री पर प्रशिक्षित होता है। समस्या को न्यूरल कंट्रोल्ड डिफरेंशियल समीकरणों के साथ वन-क्लास लर्निंग के रूप में पेश करके, OAT इनहेडमेंट समय में सीखी गई गतिशीलता से उनके विचलन के आधार पर त्रुटि चरणों की पहचान करता है।
- स्तर-स्तरीय सुपरविजन के बिना केवल 100 सफल ट्रेजेक्ट्री पर प्रशिक्षित होता है।
- लैटेंट स्पेस विचलन के आधार पर फेल्योर ट्रेजेक्ट्री चरणों को एनोमली स्कोर असाइन करता है।
- इन-डॉमेन और आउट-ऑफ-डिस्ट्रीब्यूशन में क्रमशः प्रॉम्प्टिंग-आधारित बेलाइनों की तुलना में F1 स्कोर में +20% और +7% की सुधार प्राप्त करता है।
- मौजूदा प्रॉम्प्टिंग-आधारित दृष्टिकोणों की तुलना में 200–5000× तेज़ चलाता है।
OAT महंगी त्रुटि एनोटेशन की आवश्यकता को समाप्त करके एजेंटिक सिस्टम विफलताओं का निदान करने के लिए एक वादा करने वाला और कुशल दिशा प्रदान करता है।