论文提出符号分离架构提升数据分析可靠性
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对生成式 AI 在工业数据分析中因幻觉导致不可靠的问题，论文提出符号分离架构。该架构限制智能体只能通过受本体约束的虚拟知识图操作数据，将复杂问题转化为经验证的图遍历。在 49.9 TB 超级计算机遥测数据评估中，该架构将端到端任务成功率从 43% 提升至 86%，消除了静默数据完整性错误，并将 Token 成本降低 2.4 倍。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载解决工业数据查询痛点
现有的文本转查询和工具使用智能体在处理数据中心和工业 4.0 设备的海量数值遥测数据时表现不佳。即使是前沿模型，对真实数据库问题的正确回答率也仅略高于一半，涉及多步骤的运营问题正确率更低。这是因为大语言模型需要推断异构数据源之间的关系，不仅会对字段产生幻觉，还会对关系产生幻觉，导致分析结果不可靠。
引入符号分离机制
论文提出的符号分离架构允许深度智能体自由推理，但只能通过受本体约束的虚拟知识图对数据进行操作。该架构在执行前进行确定性验证，与工具 API 的接口契约不同，这种领域语义契约将复杂问题转化为经验证的图遍历，而不是由大语言模型推断连接。这种方法被实例化为神经符号深度分析师。
性能与成本双重优化
研究在 49.9 TB 的超级计算机遥测数据上进行了评估，对比了刚性工作流和非符号消融版本。结果显示，符号分离架构将端到端任务的成功率从 43% 提升到了 86%。此外，该架构能够防止语法检查无法捕捉的静默数据完整性错误，并将 Token 成本降低了 2.4 倍，使得较小的本地模型能够超越较大模型的性能。
为什么值得看
大幅提升复杂数据查询成功率并降低成本，解决 LLM 落地工业场景的幻觉难题。
智能体幻觉论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。