Forskarna föreslår Self-Assessment Reinforcement Learning (SARL), en träningsmetod för språkmodeller som söker efter information innan de svarar. Metoden lär modellerna att hålla reda på vad de har hittat och vad som fortfarande saknas, med målet att minska felaktiga resonemang och sökningar som avslutas för tidigt.
Författarna rapporterar en relativ förbättring på 24.3% jämfört med sin starkaste baslinje, med genomsnittliga förbättringar på 35.9% inom flerstegsresonemang och 27.9% på riktmärken för djupgående research, jämfört med de starkaste baslinjerna för dessa uppgifter. De uppger att SARL inte kräver någon extra bedömning när modellen ska svara. I artikelns sammanfattning anges inte vilka modeller som testades, och den innehåller inte tillräckliga detaljer för att bedöma hur resultaten kan överföras till sökverktyg i drift.
Varför det spelar roll
För team som utvecklar researchassistenter tyder SARL på att modeller kan tränas att hålla koll på sökningen, i stället för att ett separat steg läggs till när de används. Men sammanfattningen visar inte om metoden hjälper produkter i verkligheten.
