LLM предлагают оставить интерфейсом к численным моделям

Для решений по риску, капиталу, лечению и киберзащите предложили отделить языковой интерфейс от модели, которая считает по исходным данным. В препринте Duo Dimensio и Indiana University, который не прошёл рецензирование и где все числа получены самими авторами, главный вывод сформулирован жёстко: увеличение LLM не вернёт сведения, потерянные при переводе данных в текст. Для продукта это меняет архитектурную ставку: LLM принимает запрос и объясняет ответ, но не служит единственным вычислительным ядром.

Работа вводит отдельный класс Large Quantitative Model (LQM), то есть больших количественных моделей. Такая система учится на исходных таблицах, временных рядах и связях между объектами, а также сохраняет четыре свойства: нужные сведения не теряются, повторный расчёт даёт тот же результат, каждый вывод ведёт к породившим его записям, а заявленная неопределённость соответствует фактическим ошибкам. При слабых данных модель должна отказаться от ответа.

Ключевой довод относится не к качеству нынешних LLM, а к форме входных данных. Если аналитик превращает таблицу убытков во фразу «динамика неблагоприятна», модель уже не восстановит отдельные значения и не ответит на запросы, для которых они нужны. Авторы выводят нижнюю границу ошибки через неравенства из теории информации: она зависит от потерянных сведений, а не от числа параметров или бюджета обучения.

Инструменты не отменяют это разделение ролей. Если LLM передаёт вычисления калькулятору, базе данных или структурной модели, именно этот инструмент становится количественным ядром. Сама работа обосновывает подход формально, сопоставляет его с моделями для таблиц и временных рядов, мировыми моделями и классическими моделями для отдельных задач, а также описывает одну реализацию. Это задаёт критерии архитектуры, но не сравнивает точность LQM и LLM на общем бенчмарке.

Источники

• Language Is an Insufficient Substrate for Quantitative Reasoning, and Consequential Domains Need Large Quantitative Models