TimelineReasoner: 100%-kal javul az események idővonal-összefoglalása
A TimelineReasoner rendszer iteratív bizonyítékgyűjtést és időbeli konzisztencia ellenőrzést tesz lehetővé. Ez az új megközelítés jelentősen javítja az idővonal-összefoglalást a nagy nyelvi modellekhez képest.
Az online hírek robbanásszerű terjedése komoly kihívást jelent a strukturált idővonalak kinyerésében a rendezetlen tartalmakból. Bár a nagy nyelvi modellek (LLM) már segítettek az idővonal-összefoglalásban (TLS), ezek a megközelítések elsősorban passzív generátorként kezelték a modelleket — írja az arXiv-on megjelent tanulmány.
A nagy érvelő modellek (LRM) megjelenése azonban lehetőséget kínál az események aktív elemzésére. A kutatók szerint ez a képesség iteratív bizonyítékgyűjtést, hiányzó események detektálását és az időbeli konzisztencia ellenőrzését is lehetővé teszi.
Kétfokozatú megközelítés
A TimelineReasoner, egy új rendszer, szisztematikusan kihasználja a LRM-ek érvelési képességeit, és a TLS-t statikus generálásból aktív, érvelésvezérelt folyamattá alakítja. Ez a megközelítés eltér a korábbi munkáktól, mivel a TimelineReasoner egy kétfokozatú rendszert alkalmaz.
Az első szakasz a Global Cognition, amely makroszkopikus szinten követi az eseményeket, és folyamatosan frissíti a globális eseménymemóriát. A második szakasz a Detail Exploration, amely az információs hiányosságokat azonosítja és finomítja az idővonalat. A LRM-ek, mint az OpenAI o1 és o3 modelljei, már képesek lépésről lépésre elemezni a feladatokat, ami összetett problémák, például matematikai vagy kódolási feladatok esetén is jobb eredményeket hoz.