शोधकर्ताओं ने DRIFTLENS पेश किया, जो एक ground-truth-मुक्त फ्रेमवर्क है जो मात्रात्मक रूप से यह मापता है कि उपयोगकर्ता-संपत्ति स्मृति बड़े भाषा मॉडलों के तर्क ट्रैजेक्टरी को कैसे पुनः आकार देती है। अध्ययन सत्यापित करता है कि यह फ्रेमवर्क चार LLMs और दस उपयोगकर्ता-संपत्ति श्रेणियों में सार्थक तर्क परिवर्तनों को व्यावहारिक शोर से अलग करता है।
- उपयोगकर्ता-संपत्ति स्मृति व्यावहारिक-शोर फ्लोर के ऊपर मध्यम-से-बड़ा तर्क विचलन उत्पन्न करती है, भले ही अंतिम उत्तर प्रवाहमान और युक्तिसंगत बने रहें।
- GRPO- और DPO-आधारित पोस्ट-ट्रेनिंग विधियाँ इस विचलन को कम करती हैं, लेकिन कोई भी प्रभावकारिता में एकसमान रूप से प्रभावी नहीं है।
- क्षमताओं, सहायकता और निर्देश अनुपालन पर निवारण रणनीतियों का प्रभाव मॉडल और पुरस्कार पर निर्भर करता है।
परिणाम संकेत करते हैं कि स्मृति-प्रेरित तर्क विचलन व्यक्तिगत भाषा मॉडलों का एक मापने योग्य विफलता मोड है जिसे वर्तमान पोस्ट-ट्रेनिंग तकनीकों द्वारा केवल आंशिक रूप से कम किया जा सकता है।