Este estudo investiga alucinações em Grandes Modelos de Linguagem adaptados a domínios específicos, focando no Llama-2 ajustado com o dataset Lamini. Verificou-se que a capacidade do modelo de raciocinar e recordar novas informações específicas do domínio é limitada, levando a alucinações e uma tendência à sobregeração.
Este estudo explora estratégias para adaptar grandes modelos de linguagem (LLMs) de propósito geral a domínios de engenharia especializados, especificamente manufatura aditiva, para melhorar a precisão e relevância das respostas. Ele investiga o uso de ajuste fino (fine-tuning) específico do domínio e geração aumentada por recuperação (RAG), construindo um corpus curado para avaliação.
Esta pesquisa introduz o Scaffolding Condicionado à Capacidade, uma estrutura que aborda o desvio de domínio profissional na colaboração humano-LLM ao adaptar as intervenções da IA com base nos níveis de expertise do usuário. Uma avaliação piloto demonstrou que esta abordagem aprimora a colaboração confiável entre humanos e IA, indo além da personalização estilística.
Esta pesquisa investiga como a adaptação de domínio remodela o comportamento explicativo em modelos de linguagem, usando a cosmologia histórica como cenário controlado. O estudo envolve o treinamento de um modelo pequeno do zero e o ajuste fino de um modelo maior para analisar o enquadramento explicativo e a postura cosmológica.