Компьютерные науки > Искусственный интеллект [представлен 15 октября 2026 года] Заголовок: Самоуправляемый LLM Причина ошибки в диагностике проблем, связанных с дорожным движением транспортных средств PDF HTML (экспериментальное) резюме: Проблемы транспортного движения (VRP) имеют основополагающее значение для многих реальных прикладных программ. Последние достижения в области моделей крупных языков (МЛМ) способствовали достижению прогресса в решении этих сложных проблем, связанных с НПР. Вместе с тем большинство существующих подходов предполагают, что случаи ввода данных не имеют ошибок и игнорируют наличие недостатков, обычно встречающихся в реальных данных. В ходе этой работы мы систематически изучаем возможности МЛМ выявлять (и исправлять) ошибки в случаях ПРП и выявляем основные ограничения, особенно при рассмотрении сложных случаев или ошибок, которые существенно увеличивают лежащее на ЛМЗ бремя по обоснованию. Для преодоления этих проблем мы предлагаем самоуправляемую систему расспросов, в которой МЛМ самостоятельно генерируют коды, которые обеспечивают структурированное понимание для содействия диагностике ошибок. Эксперименты по различным проблемным параметрам и МЛМ показывают, что наша система значительно повышает эффективность обнаружения ошибок и обеспечивает почти безупречную точность. Дополнительные ссылки и цитаты... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные…
Самоуправляемый LLM, объясняющий ошибки в диагностике проблем дорожного движения
arXiv: 261.20.21393v1 Тип уведомления: новое резюме: проблемы, связанные с дорожным движением транспортных средств (РПВ), имеют основополагающее значение для многих реальных прикладных программ. Последние достижения в области моделей крупных языков (МЛМ) способствовали достижению прогресса в решении этих сложных проблем, связанных с НПР. Вместе с тем большинство существующих подходов предполагают, что случаи ввода данных не имеют ошибок и игнорируют наличие недостатков, обычно встречающихся в реальных данных. В ходе этой работы мы систематически изучаем возможности МЛМ выявлять (и исправлять) ошибки в случаях ПРП и выявляем основные ограничения, особенно при рассмотрении сложных случаев или ошибок, которые существенно увеличивают лежащее на ЛМЗ бремя по обоснованию. Для преодоления этих проблем мы предлагаем самоуправляемую систему расспросов, в которой МЛМ самостоятельно генерируют коды, которые обеспечивают структурированное понимание для содействия диагностике ошибок. Эксперименты по различным проблемным параметрам и МЛМ показывают, что наша система значительно повышает эффективность обнаружения ошибок и обеспечивает почти безупречную точность.
