Метод «стая» для уменьшения ошибок ИИ при резюме ^{CEFR B1}

Команда Нью‑Йоркского университета под руководством Anasse Bari совместно с Binxu Huang разработала алгоритмическую рамку в виде этапа предобработки для LLM. Цель — дать модели более репрезентативный и менее избыточный входный набор перед генерацией итогового резюме.

Каждое предложение документа рассматривается как «виртуальная птица». На этапе подготовки из предложений сохраняют ключевые части речи и объединяют многословные термины, затем переводят предложения в числовые векторы с лексическими, семантическими и тематическими признаками. Предложения получают оценки по центральности, важности раздела и соответствию аннотации.

Дальше применяются принципы стайного поведения — когезия, выравнивание и разделение — чтобы группировать похожие предложения, формировать лидеров и партнёров и выбирать лучшие фразы. Авторы протестировали подход на большом наборе документов и показали улучшение фактической точности по сравнению с LLM без предобработки. Метод снижает риск галлюцинаций, но не устраняет его полностью.