大型学习模型中增强且高效的推理

当前大语言模型虽能生成流畅文本，但缺乏对其内容可信度的原理性依据。本文提出一种高效且具原理性的推理方法，适用于大模型并兼容现有软硬件基础。该方法包含两阶段：首先将数据预处理编码为更显式的“一元关系积分码”，以明确对象间关系；随后通过标准机器学习过程预测这些关系。此方法构建了世界模型，基于“鲁棒逻辑”系统实现对不确定信息的原理性链式推理，证明了核心关系规则可在多项式时间内习得，从而支持单次及多次调用中的健全推理。