新聞 
幣種資訊 
關於我們 
人工智慧研究團隊FLock三篇論文獲歐洲機器學習暨資料探勘學會（ECML PKDD）2026年會採用，研究鎖定大型語言模型（LLM）在處理複雜問題時容易出現的「推理偏離」與錯誤，其中一篇論文提出的方法可將推理偏離程度降低63%。
FLock於13日表示，旗下研究團隊的三篇論文已獲ECML PKDD 2026選中。ECML PKDD 2026是聚焦機器學習與資料庫知識發現領域的學術會議，今年9月7日至11日在義大利那不勒斯（Naples）舉行。
這三篇論文分別針對LLM推理過程中常見的三種問題展開研究：模型選擇與問題核心無關的「捷徑」、推理途中出現錯誤，以及推理步驟拉長後逐漸偏離原本設定的目標。
其中一篇論文提出讓模型在長時間、多步驟推理中維持原本思路的方法。研究結果顯示，套用該方法後，推理過程的「偏離」程度降低63%，在不同規模的模型上，平均準確率也提升7.4個百分點。
另外兩篇論文則分別聚焦於提升模型面對陌生問題時的推理能力，以及發現錯誤後針對局部推理進行修正的效率。三篇研究的共同點，是不只看模型最終給出的答案是否正確，而是進一步檢視模型解題的推理過程本身。
FLock研究團隊長期聚焦大型語言模型的訓練、推理與可信度問題。先前FLock也曾推動與紅帽（Red Hat）合作打造聯邦學習平台，嘗試擴大機構級AI生態系。
評論人士指出，論文獲學術會議採用，不代表研究成果已實際應用在商用服務或使用者端模型上。公開資料中並未提及具體採用的產品、導入機構、合約規模或營收貢獻數據，論文獲採用與FLock代幣價值之間也沒有直接關聯的證據。
研究成果是否能在實際模型與服務環境中重現，仍有待後續論文公開與應用案例驗證。
留言 0