@donniechublog: ⚙️ Nhét thêm prompt để agent khôn ra là bài toán ngày càng đắt đỏ mà hiệu quả thì chạm trần. Nghiên cứu mới trên arXiv đề xuất kiến trúc DPDM (Decoupled Predictive Decision Making), tách rời phần suy luận ngữ nghĩa khỏi bộ dự đoán có điều kiện dùng chung. Thay vì bắt một mô hình gánh hết từ hiểu văn cảnh tới chọn công cụ, hệ thống dùng mô hình ngôn ngữ làm bộ mã hóa ngữ nghĩa, còn việc phán đoán mục tiêu giao cho một bộ dự đoán cấu trúc đóng băng riêng biệt. Toàn bộ quá trình ra quyết định không cần cập nhật thêm bất kỳ trọng số neural nào. Hiệu năng ghi nhận trên các bài test: • Với Qwen3.5-27B làm bộ mã hóa, DPDM nâng độ chính xác trung bình trên 50 benchmark từ 78,80% của few-shot prompting lên 84,92%. • Với cùng lịch sử và truy vấn giống hệt nhau, con số này vẫn đạt 82,33%. • Trên hai tác vụ BFCL và ToolSandbox của ToolPRMBench, mức tăng độ chính xác tuyệt đối đạt lần lượt 34,26% và 28,87%. • Ngay cả khi dữ liệu lịch sử bị mất cân bằng, độ chính xác cân bằng trung bình trên 5 tác vụ đánh giá bước suy luận vẫn cải thiện thêm 14,51%. Cốt lõi thực nghiệm nằm ở chỗ: chỉ một bộ dự đoán LimiX-2 đóng băng duy nhất đã phục vụ trọn vẹn cả 5 nhóm tác vụ khác nhau qua cùng một giao diện trích xuất. Dù vậy, đây vẫn là nghiên cứu tiền ấn phẩm trên arXiv và kết quả phụ thuộc chặt chẽ vào chất lượng biểu diễn ngữ nghĩa của mô hình nền đi kèm. Kiến trúc tách đôi này mở ra hướng mở rộng agent thực dụng hơn: kết hợp tri thức ngôn ngữ sẵn có với năng lực suy luận từ dữ liệu cấu trúc mà không tốn công fine-tune lại toàn bộ mạng. 💬 Quý đạo hữu đã thử tách riêng tầng dự đoán ra khỏi LLM khi dựng agent, hay vẫn quen để một model ôm đồm tất cả?

Donnie Chu Blog

Open In TikTok:

Region: VN

Monday 09 November 2026 08:38:32 GMT