Pesquisadores desenvolveram o G-Frame, um framework multiagente adaptativo que integra princípios bayesianos e de jogos em equipe para mitigar alucinações em modelos de linguagem grandes leves. Esta abordagem estabelece um loop fechado automatizado para síntese de dados de alta qualidade e treinamento do modelo, forçando a internalização de restrições do domínio por meio de raciocínio estruturado.
- O framework sintetizou um corpus especializado contendo 363.045 cadeias de pensamento (chains-of-thought) e 199.589 pares de pergunta-resposta.
- O modelo resultante de 7B, OmniChem, alcança paridade de desempenho com o GPT 4o mini em benchmarks personalizados e ChemBench.
- O OmniChem exibe uma redução de 79,46% nas alucinações em relação à sua arquitetura base.
- O sistema demonstra capacidades avançadas em design molecular e planejamento de síntese.
Este trabalho estabelece um paradigma escalável utilizando agentes multiagente adaptativos para superar deficiências inerentes de raciocínio, oferecendo uma via viável para acelerar a descoberta de conhecimento em campos científicos especializados.