· AI Engineer World's Fair 2024
Научное рассуждение LLM: как научить ИИ делать открытия уровня Нобелевской премии
LLM Scientific Reasoning: How to Make AI Capable of Nobel Prize Discoveries
Для поиска связей между разрозненными научными работами одного RAG мало: нужны шаги рассуждения до поиска по embeddings.
- Рассуждение до поиска — чем сложнее смысл вопроса с несколькими концепциями, тем сильнее простой RAG проигрывает; помогают маршрутизация запроса и GraphRAG, где знания из документов представлены в виде графа.
- Проверка на прошлом знании — систему тестировали только на статьях, опубликованных до открытия, и сравнивали результат с известным ответом, чтобы модель не подсказала его из обучения.
- Релевантность под задачу — прогон каждого чанка через LLM с промптом про продвижение гипотезы дал результат ближе к истине, чем классификатор, который дублировал расстояния embeddings; среди найденных гипотез оказалась нужная связь с RNA. По словам автора, это пока ранние результаты.
- Делегирование рассуждений — каузальный вывод и алгоритмические задачи можно отдать специализированным библиотекам и REPL как инструменту агента, а не полагаться только на LLM.
Кому полезно: тем, кто строит RAG для научных или исследовательских задач, где нужные факты лежат в разных документах и связаны неочевидно.
Статья по теме
Главы
Ещё доклады: Hubert Misztela
Страница спикера →Агентный бизнес: что руководителям нужно знать об ИИ
AI Engineer World's Fair 2025
Похожие доклады
Графовый интеллект: как улучшить рассуждения и поиск с помощью графовой аналитики
AI Engineer World's Fair 2025
Близко по содержанию
Ключевой доклад о рекомендательных системах: улучшение рекомендаций и поиска в эпоху LLMs
AI Engineer World's Fair 2025
Близко по содержанию
Практический GraphRAG: как сделать LLM умнее с помощью графов знаний
Stephen Chin, Jesús Barrasa, Michael Hunger
AI Engineer World's Fair 2025
Близко по содержанию
Проверяемые среды для ИИ в биологии
AI Engineer World's Fair 2026
Близко по содержанию

