लेखकों ने RAPS-DA प्रस्तावित किया है, जो एक रीज़िम-अवेयर पीयर स्पेशलाइज़ेशन फ्रेमवर्क है जिसे Retrieval-augmented generation (RAG) की नाजुकता को दूर करने के लिए डिज़ाइन किया गया है जब पुनर्प्राप्त संदर्भ मॉडल के पैरामीट्रिक ज्ञान से टकराता है। यह दृष्टिकोण विश्वसनीयता रीज़िम के पार असंगत सीखने के संकेतों को अलग करता है, विशेष पीयर का प्रशिक्षण करके और लक्षित पर्यवेक्षण लागू करके।
संघर्षों को तीन रीज़िम में वर्गीकृत किया गया है — Grounding, Arbitration, और Resistance — जिनमें से प्रत्येक के लिए एक ही-स्केल पीयर स्पेशलिस्ट को साझा बेस मॉडल से प्रशिक्षित किया जाता है। नमूनों को नमूना स्तर पर on-policy reverse-KL पर्यवेक्षण के लिए उनके मिलान वाले पीयर की ओर कठोरता से रूट किया जाता है। एक द्वि-स्तरीय चयनकर्ता इंटर-टीचर असहमति और छात्र एन्ट्रॉपी के आधार पर अज्ञात टोकन को फ़िल्टर करता है और आत्मविश्वास से गलत संरेखित टोकन का भार बढ़ाता है। यह विधि एक निश्चित मॉडल स्केल पर स्पेशलाइज़ेशन के माध्यम से लाभ प्राप्त करती है, जहाँ पीयर स्पेशलिस्ट केवल प्रशिक्षण के दौरान मौजूद होते हैं। प्रयोगों से पता चलता है कि RAPS-DA पाँच संघर्ष परिदृश्यों और दो आउट-ऑफ़-डिस्ट्रीब्यूशन बेंचमार्क्स में सभी प्रॉम्प्टिंग, डिकोडिंग, फाइन-ट्यूनिंग, RL और सिंगल-टीचर बेलाइन्स को पार कर जाता है।
यह फ्रेमवर्क तैनात किए गए छात्र मॉडल को विषम ज्ञान संघर्षों से निपटने की अनुमति देता है, जिसके लिए इन्फरेंस के दौरान रीज़िम लेबल या पीयर स्पेशलिस्ट तक पहुँच की आवश्यकता नहीं होती।