लेखकों ने 167,034 PMC-Patients नैरेटिव्स पर Llama-3.3 70B जनरेटर को MMed-Llama-3.1 70B वेरिफायर के साथ जोड़ने वाले एक उत्पादन-स्तर की क्लिनिकल NLP पाइपलाइन में इनफरेंस-टाइम पैटर्न-मेमोरी गेटिंग का वर्णन किया है।
- वेरिफायर के अस्वीकारों से सीधे फ़िल्टरिंग नियम सीखना विफल रहा क्योंकि वे अलग-अलग रूपों में बहुत अधिक फैले हुए थे।
- एक स्थिर क्लिनिकल ऑन्टोलॉजी का उपयोग करने वाला एक सरल नियम ने वेरिफायर के बिना एक हटाए गए सेट पर 49,734 ऑन्टोलॉजी-उल्लंघन संबंधों को पकड़ा।
- पाँच में से चार प्रश्न-उत्तर फ़िल्टर विफल रहे; पाँचवाँ सफल रहा क्योंकि इसने जाँची कि क्या एंटिटीज प्रश्न का समर्थन करती हैं, जिससे अस्वीकृत उत्तरों को 1.84 बार अधिक बार चिह्नित किया गया।
- एक फ़िल्टर तभी सशर्त होता है जब यह उसी सबूद की जाँच करता है जिसे वेरिफायर वजन देता है, न कि जब यह वेरिफायर के आउटपुट की नकल करता है।
अध्ययन दर्शाता है कि प्राकृतिक मेमोरी डिज़ाइन स्केल पर मौन रूप से विफल हो सकते हैं और कि प्री-जनरेशन गेट सशर्तता वेरिफायर द्वारा उत्तर दिए गए प्रश्न को प्रोब करने पर निर्भर करती है।