پژوهشگرانی به سرپرستی یوجیا ژانگ در مقاله‌ای که 13 نوامبر 2026 منتشر شد، حلقهٔ آموزشی تازه‌ای را برای یک مدل زبانی بزرگ Gemma-4 با 12 میلیارد پارامتر معرفی کردند که در ربات‌های خدمات مشتری به کار می‌رود. این مدل از گفت‌وگوهای ناموفق، قواعد سیاستی خودش را می‌نویسد و پیش از آموزش یک آداپتور LoRA آن‌ها را اعتبارسنجی می‌کند. پس از دو دور، امتیاز موفقیت عامل در بنچمارک‌های خرده‌فروشی و هواپیمایی 12.5 تا 19.5 امتیاز افزایش یافت و از نسخهٔ مرجعی که قواعد سیاستی را به‌صورت ثابت در خود دارد، بهتر عمل کرد. این روش فاصلهٔ عملکرد را با مدل‌های پیشرفتهٔ پیشتاز کمتر می‌کند.
چرا مهم است
کسب‌وکارها می‌توانند مدل‌های زبانی بزرگِ کوچک‌تر و متن‌باز را به کار بگیرند که بدون مدل‌های معلمِ پرهزینه، پایبندی به سیاست‌ها را بهبود می‌دهند.
