Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Персональные ограничения можно использовать не только для проверки готового плана, но и для обучения модели на неудачных попытках. В работе Emory University и Microsoft система Noura сократила число нарушений правил на 97,5%, хотя препринт не рецензирован, а все числа получили сами авторы. Для команд это вариант архитектуры, в которой проверяющий модуль улучшает не только текущий ответ, но и саму компактную модель.
Требования стали исполняемой спецификацией
Noura составляет недельные рационы для людей с несколькими хроническими заболеваниями и лекарственными ограничениями. Здесь недостаточно подобрать подходящие блюда по описанию: нужно одновременно учесть питательные вещества, запрещённые продукты, размеры порций, стабильность рациона по дням и привычки конкретного человека.
Система собирает персональную спецификацию из профиля здоровья, записей о питании, пяти клинических рекомендаций и правил для 31 лекарства и четырёх заболеваний. Каждое правило задаёт условия применения, допустимые границы или исключения, критичность и источник. Отдельные проверки следят за разнообразием, повторением блюд и долей знакомых человеку продуктов.
LLM предлагает продукты и порции, после чего система сопоставляет продукты с каталогом FNDDS и получает их питательный состав. Линейная программа корректирует размеры порций в допустимых пределах. Затем проверяющий модуль оценивает весь рацион: дневные показатели, ограничения между днями, совместимость с лекарствами и корректность выбранных продуктов.
Если план не проходит проверку, модель получает не общую просьбу «исправить рацион», а конкретные нарушения, пороги и продукты, которые сильнее всего повлияли на результат. Она предлагает замены для отдельных приёмов пищи, а система снова пересчитывает порции и проверяет полный план. При выборе следующего варианта критические клинические нарушения имеют приоритет над менее серьёзными замечаниями.
Проваленная траектория тоже даёт учебный пример
Обычный подход к самостоятельному обучению отбрасывает попытку, если итоговый ответ не прошёл все проверки. Для длинного плана это расточительно: модель могла исправить часть рациона, подобрать подходящие продукты или заметно уменьшить число нарушений, но не довести результат до полного успеха.
Noura сохраняет выполненное состояние плана после сопоставления продуктов и оптимизации порций. Именно оно становится целевым ответом для обучения, а не исходный текст модели. Поэтому модель учится воспроизводить решения, которые уже прошли количественный расчёт, а не собственные предположения о подходящих порциях.
Спецификация создаёт три вида обучающих сигналов. Улучшенные планы и отдельные удачные исправления дают готовые ответы для обучения; пары вариантов показывают, какой из них предпочтительнее; новая попытка получает награду по результатам полной проверки. Полностью проваленная траектория остаётся полезной, если внутри неё есть исправление, которое улучшило план в контексте остальных дней.
Так проверяющий модуль связывает запуск системы и дообучение модели. Он применяет одни и те же правила, когда корректирует текущий рацион, выбирает учебные примеры и оценивает свежие ответы. Это снижает риск, что модель учится на предложениях, которые звучат убедительно, но не выдерживают расчёта.
Командам всё ещё нужен проверяющий контур
На отложенных данных 4 993 участников доля полностью прошедших проверку планов у Qwen3-14B выросла с 24,0% до 72,5% при том же цикле исполнения. В сопоставимом эксперименте обучение на выполненных планах снизило число нарушений на 41% относительно обучения на предложениях, которые написала сама модель.
Компактный планировщик допустил меньше нарушений, чем его учитель GPT-6 Luna. Самообучение также улучшило результаты моделей семейств Qwen, Phi и Llama, хотя более слабой модели было сложнее соблюдать недельные ограничения на повторение продуктов и сходство дней.
Работу проверяли офлайн на американских записях NHANES, каталоге продуктов FNDDS и недельных рационах с правилами, одобренными диетологом. Прямой результат относится к задачам питания, где ограничения можно выразить программно, а качество полного плана — пересчитать после каждого изменения.
Эта работа не предлагает заменить проверку дообученной моделью. После обучения Noura по-прежнему сопоставляет продукты, оптимизирует порции и проверяет весь план. Меняется распределение работы: LLM раньше предлагает более подходящие решения, поэтому системе требуется меньше исправлений.
Для команды, которая строит планировщик под жёсткие персональные требования, практический вывод состоит в выборе источника обучающих данных. Если правила уже можно исполнять, стоит сохранять не только успешные ответы, но и улучшенные состояния после расчёта, а также локальные исправления внутри неудачных запусков. Такой контур позволяет дообучать локальную компактную модель на опыте собственной системы, не превращая её текстовые ответы в единственный источник истины.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
