लेख में फ्रंटियर बड़े भाषा मॉडलों में एक विफलता श्रेणी का दस्तावेजीकरण किया गया है जिसे अपवाद चेन कोलाप्स कहा जाता है, जहाँ मॉडल नेस्टेड कंडीशनल नियमों का गलत मूल्यांकन करते हैं। इसे संबोधित करने के लिए, लेखक एथिस एलिजिबिलिटी मॉड्यूल प्रस्तुत करते हैं, जो एक न्यूरो-सिंबोलिक आर्किटेक्चर है जो LLM द्वारा लिखित नियमों को SMT-आधारित परत के साथ जोड़ता है ताकि निर्धारणात्मक निष्पादन हो सके।
- सिस्टम मॉडल ड्रिफ्ट या प्रॉम्प्ट फॉर्मेट में बदलाव के बावजूद नियमों के संगत निष्पादन को सुनिश्चित करता है।
- निर्माण बीमा पर 20-परिदृश्य adversarial टेस्ट में, इंजन ने 20/20 स्कोर किया, जो केवल चार फ्रंटियर कॉन्फ़िगरेशन में से एक से मेल खाता है।
- LegalBench कार्यों पर बाहरी सत्यापन ने दिखाया कि इंजन तीन फ्रंटियर मॉडलों की तुलना में काफी अधिक सटीक था, Anthropic मॉडलों के खिलाफ +41 अंक तक के मार्जिन के साथ।
यह योगदान अनिश्चितता को इनफरेंस बाउंड्री से स्पेसिफिकेशन बाउंड्री पर स्थानांतरित करता है, इसे विनियमित कार्यप्रवाहों के लिए जानबूझकर और ऑडिट किया गया बनाता है।