Para penulis mengusulkan RAPS-DA, sebuah kerangka spesialisasi mitra sadar rezim yang dirancang untuk mengatasi kerapuhan generasi yang diperkuat pengambilan (RAG) ketika konteks yang diambil bertentangan dengan pengetahuan parametrik model. Pendekatan ini memisahkan sinyal pembelajaran yang tidak kompatibel di seluruh rezim keandalan yang berbeda dengan melatih mitra khusus dan menerapkan pengawasan yang ditargetkan.
Konflik dikategorikan menjadi tiga rezim — Grounding, Arbitration, dan Resistance — dengan satu spesialis mitra skala sama dilatih per rezim dari model dasar bersama. Sampel dialihkan secara keras ke mitra yang cocok untuk pengawasan reverse-KL on-policy pada tingkat sampel. Pemilih dua lapisan memfilter token yang tidak informatif dan memberi bobot lebih tinggi pada yang sangat tidak selaras dengan keyakinan, berdasarkan ketidaksepakatan antar-guru dan entropi siswa. Metode ini mencapai peningkatan melalui spesialisasi pada skala model tetap, dengan spesialis mitra hanya ada selama pelatihan. Percobaan menunjukkan bahwa RAPS-DA melampaui semua dasar prompting, decoding, fine-tuning, RL, dan guru tunggal di seluruh lima skenario konflik dan dua benchmark out-of-distribution.
Kerangka ini memungkinkan model siswa yang ditugaskan menangani konflik pengetahuan heterogen tanpa memerlukan label rezim atau akses ke spesialis mitra selama inferensi.