De Estático a Dinámico: Metabolismo del Conocimiento para Grandes Modelos de Lenguaje

El inmenso espacio de parámetros de los Grandes Modelos de Lenguaje (LLMs) les otorga capacidades superiores de retención de conocimiento, permitiéndoles sobresalir en una variedad de tareas de procesamiento de lenguaje natural. Sin embargo, también genera dificultades para ajustar consistentemente los modelos de lenguaje para incorporar el conocimiento más reciente, lo que podría llevar a que los LLMs produzcan contenido inexacto o fabricado. Para aliviar este problema, proponemos un marco de metabolismo del conocimiento para LLMs. Este marco sostiene proactivamente la credibilidad del conocimiento mediante un componente auxiliar de memoria externa y entrega directamente el conocimiento pertinente para la inferencia del modelo de lenguaje, suprimiendo así las alucinaciones causadas por conocimiento interno obsoleto durante el proceso de inferencia. Experimentos de referencia demuestran la efectividad de DynaMind para superar este desafío. El código y la demostración de DynaMind están disponibles en: https://github.com/Elfsong/DynaMind.