Ontologie matematyczne jako korekta halucynacji modeli językowych

👁 125 przeczytań

Praca pochodzi z arxiv (identyfikator 2602.17826), złożona 19 lutego 2026 roku, poprawiona 31 sierpnia 2026. Autor to Marcelo Labre - w dokumencie nie podano afiliacji instytucjonalnej.

Problem, który autor chce rozwiązać

Labre wychodzi od trzech znanych słabości modeli językowych: halucynacji, kruchości (brittleness) oraz braku formalnego ugruntowania. Jego zdaniem te wady są szczególnie groźne w dziedzinach wymagających weryfikowalnego rozumowania - czyli wszędzie tam, gdzie błąd ma realne konsekwencje. Jako obszar testowy wybiera matematykę, bo pozwala ona precyzyjnie sprawdzić, czy odpowiedź jest poprawna.

Co autor zbudował

Rozwiązanie to tzw. pipeline neuro-symboliczny. Jego rdzeń stanowi ontologia OpenMath - formalny zbiór definicji i pojęć matematycznych. Labre łączy ją z techniką RAG (retrieval-augmented generation), czyli wzbogacaniem promptu o pobrane fragmenty wiedzy. Pobieranie odbywa się metodą hybrydową, a wyniki są następnie przenumerowywane przez cross-encoder reranker - moduł, który ocenia, które definicje są najbardziej trafne dla danego pytania. Tak wyselekcjonowane definicje trafiają do promptu modelu jako dodatkowy kontekst.

Do testów autor użył trzech otwartych modeli (ich nazwy nie są podane w abstrakcie) oraz benchmarku MATH - standardowego zestawu zadań matematycznych.

Co wyszło z eksperymentów

Wyniki są dwustronne. Gdy jakość pobierania jest wysoka - czyli gdy system rzeczywiście trafia na trafne definicje - kontekst z ontologii poprawia skuteczność modelu. Jednak gdy pobrane fragmenty są nieistotne dla pytania, efekt jest odwrotny: taki kontekst aktywnie degraduje wyniki. Autor używa sformułowania „irrelevant context actively degrades it”, co podkreśla, że zły kontekst nie jest neutralny - on przeszkadza.

Dokument nie zawiera szczegółowych liczb wynikowych w abstrakcie - nie ma podanych konkretnych wartości procentowych ani punktowych z benchmarku MATH. Pełne dane są dostępne w PDF i materiałach uzupełniających, do których autor dołączył kod.

Czego w dokumencie nie ma

Udostępniony tekst to wyłącznie abstrakt ze strony arxiv. Nie zawiera on nazw testowanych modeli, szczegółowych tabel wyników, opisu architektury ponad to, co wymieniono wyżej, ani dyskusji o kosztach obliczeniowych czy możliwościach wdrożenia. Nie ma też żadnej informacji o finansowaniu badań ani afiliacji autora.

Co z tego wynika

To badanie z jednym autorem, ocenione przeze mnie jako uczciwe i trzeźwe - bo zamiast ogłaszać przełom, autor wprost opisuje ograniczenie swojego systemu. Kluczowy wniosek jest bardziej ostrzeżeniem niż receptą: podpięcie bazy wiedzy do modelu językowego może zaszkodzić, jeśli mechanizm wyszukiwania nie działa wystarczająco dobrze. Dla kogoś, kto myśli o RAG w zastosowaniach wymagających precyzji - na przykład w edukacji, inżynierii czy prawie - to ważna informacja. Jakość retrievalu nie jest detalem technicznym, lecz warunkiem koniecznym całego podejścia. Brak danych liczbowych w abstrakcie utrudnia jednak ocenę, jak duże są opisywane efekty w praktyce.

Źródło: arXiv cs.AI: Ontology-Guided Neuro-Symbolic Inference: Grounding Language Models with Mathematical Domain Knowledge (dokument z 2026-09-02). To omówienie powstało na podstawie pełnego tekstu dokumentu, nie relacji innych mediów.

// czytaj dalejIBM wypuszcza Granite 4.2 - nową serię modeli językowych do rozumowania i kodowaniaNewsyHalucynacje nie znikną. Pramaana Labs chce je po prostu obstawić matematykąNewsyOpenAI odcina Cursor od swoich modeli po przejęciu przez SpaceXAINewsy