Проблема фрагментарной когерентности в генеративных языковых моделях при обработке протяженных контекстов: архитектурные и методологические решения

Оглавление

Группа авторов. Проблема фрагментарной когерентности в генеративных языковых моделях при обработке протяженных контекстов: архитектурные и методологические решения

Синопсис доклада: Почему большие языковые ИИ «теряют нить» при работе с большими текстами и как это исправить

1. Введение и постановка проблемы

2. Анализ коренных причин проблемы

3. Многоуровневая стратегия решения

4. Предлагаемый протокол для эмпирической валидации

5. Заключение и будущие исследования

Приложение A: Пример мастер-промпта для чанкирования

Отрывок из книги

Проблема : Современные большие языковые модели ( ИИ вроде DeepSeek) плохо справляются с комплексным редактированием ( полной переработкой ) больших документов , таких как статьи или книги . Когда пользователь просит их проанализировать длинный текст и полностью его переписать , ИИ часто дает лишь отрывочные фрагменты с отсылками типа « а здесь вы сами допишите » . Вместо цельного нового документа он перекладывает задачу по сборке на человека . Это называется проблемой фрагментарной когерентности ( ситуации , когда части текста не складываются в логичное целое ).

Главные причины :

.....

Внедрить иерархическое внимание — чтобы ИИ сначала работал не с каждым словом , а с « конспектами » разделов , как человек по плану статьи . Сделать динамическую память — чтобы ИИ сам подгружал в « оперативку » нужные части текста по мере работы , а не держал всё сразу . Добавить специальные команды для редактирования ( например , токены [ НАЧАТЬ _ РЕДАКТИРОВАТЬ _ ГЛАВУ _2]), которые переключали бы ИИ в особый « режим правки » .

2. Для пользователей сегодняшних ИИ ( как DeepSeek):

.....