FastLearn: A Rapid Learning Agent for Chat Models to Acquire Latest Knowledge
Notice bibliographique
Résumé
Most large language models (LLMs), especially chat models, do not undergo updates post-deployment, which results in a lack of awareness of constantly changing new real-time information. External knowledge retrieval methods exist to enhance these models, but for high-traffic chat models, the extensive use of search engine API resources can be costly. In our work, we study the performance of LLMs in answering tasks involving real-time factual knowledge. Due to the lack of datasets for Q&A involving the latest real-time information, we first carefully constructed NewlyQA, a new dynamic QA benchmark including questions about world knowledge whose answers evolve over time. Inspired by human learning methods, we propose FastLearn, a simple rapid learning method that enhances model responses by merging relevant, up-to-date information retrieved from search engine APIs (filtered through our Time-Prompt mechanism) into prompts, followed by Lora fine-tuning to “inject” new knowledge into LLMs via external parameters, significantly improving performance on FreshQA, NewlyQA and OpenDataEval. Our experiments show that FastLearn outperforms most other search engine augmented prompt methods, like FreshPrompt, Self-Ask, and the commercial PERPLEXITY.AI. Additionally, we further analyze the two main mechanisms of FastLearn, Time-Prompt and Self-Correction, finding that both play key roles in enhancing model answer performance. To facilitate future research, we will open-source NewlyQA and commit to regularly updating its answers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».