Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Tommaso Soru из Liber AI Research предложил архитектуру Semantic Bayesian World Models; работа опубликована как препринт, не проходивший рецензирования. В отличие от обычной связки LLM с графом знаний, новая схема должна хранить не только утверждения, но и вероятности, зависимости и происхождение каждого убеждения. Идея важна разработчикам автономных агентов и систем принятия решений, которым недостаточно извлекать факты в контекст модели.
Что сделали
Автор описал модель мира как распределение вероятностей по возможным RDF-графам. Он предлагает задавать начальные вероятности через онтологию, обновлять их по правилу Байеса после наблюдений, а последствия действий представлять как изменения графа. Например, если один класс является подклассом другого, вероятность принадлежности к узкому классу не может превышать вероятность принадлежности к широкому.
Вероятность и её происхождение предлагается прикреплять непосредственно к утверждениям средствами RDF 1.2. Для запросов автор расширяет логику SPARQL: чтение графа соответствует условному выводу, а обновление — вмешательству, которое меняет состояние мира. Нейросетевые оценки при этом проходят семантическую калибровку: онтологические ограничения исправляют несовместимые вероятности.
На примерах домашней камеры, страховой оценки и планирования поездки на автомойку автор показывает предполагаемое преимущество подхода. Агент может объединять сведения разных владельцев, обновлять отдельное убеждение без переобучения модели и объяснять, какие данные повлияли на решение. Обычная схема «найти триплеты и вставить их в запрос LLM» такого общего вероятностного состояния не создаёт.
Что это значит
Semantic Bayesian World Models — не готовая технология, а архитектурная программа. Для реализации нужны общий словарь вероятностных аннотаций, вероятностный логический вывод, калибровка нейросетевых оценок и протокол обмена убеждениями между агентами. Если эти компоненты появятся, граф знаний сможет стать проверяемым состоянием процесса, а LLM — источником наблюдений, но не единственным хранилищем рассуждений.
Ограничения. Работа не показывает действующий прототип, качество решений или производительность на прикладной нагрузке. Подход разобран на формальных и сценарных примерах, без датасета и испытаний в масштабе развёрнутой системы. Нет сравнения с базовыми архитектурами на общем бенчмарке. Автор также отмечает вычислительную сложность вероятностного вывода, комбинаторный рост условных зависимостей и нестабильность оценок уверенности между моделями и формулировками.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
