Исследователи разработали G-Frame, адаптивную многоагентную систему, которая интегрирует принципы байесовского вывода и теории командных игр для снижения галлюцинаций в легких больших языковых моделях. Этот подход создает автоматизированный замкнутый цикл для синтеза высококачественных данных и обучения модели, заставляя интериоризацию предметных ограничений через структурированное рассуждение.
- Фреймворк синтезировал специализированный корпус, содержащий 363 045 цепочек рассуждений (chains-of-thought) и 199 589 пар вопрос-ответ.
- Полученная модель на 7B параметров, OmniChem, демонстрирует производительность на уровне GPT 4o mini на пользовательских бенчмарках и ChemBench.
- OmniChem показывает снижение галлюцинаций на 79,46% по сравнению с базовой архитектурой.
- Система демонстрирует продвинутые возможности в молекулярном дизайне и планировании синтеза.
Эта работа устанавливает масштабируемую парадигму, использующую адаптивных многоагентных систем для преодоления внутренних недостатков рассуждения, предлагая осуществимый путь для ускорения открытия знаний в специализированных научных областях.