Struktúrált személyiség-kiválasztás növeli az LLM-alapú digitális ikrek pontosságát
A BDE-séma alkalmazása 1,91 százalékponttal javítja az előrejelzési pontosságot a Twin-2K-500 teljesítményteszten, a gpt-5.4-mini és a Qwen3-8B modelleken is hasonló eredményeket mutatva.
Az LLM-alapú „digitális ikrek” arra hivatottak, hogy szimulálják egy személy viselkedését új környezetben vagy válaszadását kérdésekre, korábbi válaszai alapján. A kutatók szerint a modell pontosságának kulcsa nem az adatmennyiség, hanem az információ strukturálása. (ArXiv NLP)
Az arXiv-en megjelent tanulmány szerint a strukturált adatok kétszeresére növelhetik a pontosságot. Az új eredmények arra utalnak, hogy a fő korlát nem az adatmennyiség, hanem az, hogyan szerveződik az információ, mielőtt a szimulátormodellnek átadják.
Kétszeres pontosság a struktúrált adatokkal
A kutatók egy kézzel készített sémát, a BDE-t (Background, Decision procedure, Evaluation – Háttér, Döntési eljárás, Értékelés) vezettek be. Ez a fogyasztói magatartáselméleten alapul, és +1,91 százalékponttal javítja az előrejelzési pontosságot egy homogén teljesítményteszten, a Twin-2K-500-on. Hasonló eredményeket mutattak ki a gpt-5.4-mini és a Qwen3-8B modelleken is – közölték a kutatók.
Automatikus struktúra-felfedezés a heterogén feladatokhoz
A fix struktúra azonban nem általánosítható több heterogén feladatra, ahol a teljesítmény statisztikailag megkülönböztethetetlen a nyers átiratok alapvonalától. Ennek orvoslására egy automatikus struktúra-felfedező folyamatot javasolnak, amelyben egy LLM iteratívan javasol és finomít feladatspecifikus személyiségstruktúrákat és kivonási promptokat. Ez a megközelítés 13 különböző alulvizsgálaton javította az átlagos pontosságot +1,91 százalékponttal a nyers átiratok alapvonalához képest – írja az arXiv.
A BDE-séma alkalmazása 1,91 százalékponttal javítja az előrejelzési pontosságot a Twin-2K-500 teljesítményteszten.