Introduzione

La ragionatura sui grafici del tempo (TKG) è fondamentale per migliorare l'efficienza e la affidabilità dei sistemi intelligenti.

Proposta di distillazione

Per superare questo ostacolo, abbiamo proposto un framework di distillazione specifico per la ragionatura sui grafici del tempo. Il nostro approccio utilizza modelli di linguaggio grandi come modello di insegnamento per guidare il processo di distillazione, consentendo di trasferire efficacemente le capacità di ragionatura strutturale e temporale ai modelli leggeri.

Integrazione con la conoscenza pubblica

Il nostro framework integra la conoscenza pubblica su larga scala con informazioni specifiche del tempo, migliorando così l'abilità del modello di modellare dinamiche temporalmente. Questo approccio consente di mantenere un'architettura compatta e efficiente.

Esperimenti

I nostri esperimenti su diverse piattaforme pubbliche hanno dimostrato che il nostro metodo supera i risultati dei basi di riferimento, raggiungendo una buona bilancia tra precisione, efficienza computazionale e praticabilità del deploy.

Conclusioni

La nostra proposta di distillazione per la ragionatura sui grafici del tempo offre un passo avanti significativo nella creazione di sistemi intelligenti più efficienti e affidabili. Grazie all'integrazione con la conoscenza pubblica, il nostro approccio consente di migliorare l'abilità dei modelli di modellare dinamiche temporalmente.

Risultati sperimentali