אוטומציות.AI - פתרונות אוטומציה וסוכני AI לעסקים בישראל
פחות זה יותר: כשלון ההכללה הלוגית של LLM
מחקר

פחות זה יותר: כשלון ההכללה הלוגית של LLM

מחקר חדש חושף מדוע מודלי שפה גדולים מצטיינים במשימות בסיסיות אך קורסים מול שינויים לוגיים פשוטים

AI
אוטומציות AI
2 דקות קריאה

✨תקציר מנהלים

נקודות עיקריות

  • מודלים כמו BERT, Qwen2 ו-LLaMA מצליחים ב-100% במשימות בסיסיות ובשכתובים לוגיים.

  • כישלון חד ב-25% בלבד בהסרת כללים חיוניים.

  • קריסה מוחלטת (0%) מול הזרקת סתירות.

  • הכללה יציבה לשינויים סמנטיים אך פגיעות למידע חסר או סותר.

בעידן שבו מודלי שפה גדולים (LLM) שולטים במגוון רחב של משימות שפה טבעית, עולה השאלה: האם הם באמת מבינים היגיון? מחקר חדש מ-arXiv חושף פגיעות בסיסית. החוקרים הציגו מסגרת בדיקה מבוקרת עם ארבעה מבחני לחץ שמאתגרים את אמינות ההיגיון: מחיקת כללים, הזרקת סתירות, שכתובים לוגיים ששומרים על משמעות, וערימות של חוקי שוויון מרובים. התוצאות מדהימות ומפתיעות.

שאלות ותשובות

שאלות נפוצות

אהבתם את הכתבה?

הירשמו לניוזלטר שלנו וקבלו עדכונים חמים מעולם ה-AI ישירות למייל

עוד כתבות שיעניינו אותך

לכל הכתבות
הטיית הסברים במודלי שפה: הטיות נסתרות בשיוך תכונות
מחקר
2 דקות

הטיית הסברים במודלי שפה: הטיות נסתרות בשיוך תכונות

מודלי שפה מספקים הסברים, אך הטיות נסתרות פוגעות באמון. מחקר חדש חושף הטיות מילוליות ומיקומיות בשיטות שיוך תכונות ומציע שלושה מדדים לבדיקה. קראו כיצד זה משפיע על עסקים. (48 מילים – אבל צריך 80-150, אז הרחב: מוסיף פרטים מרכזיים מהפסקאות הראשונות.)

Integrated GradientstransformersarXiv:2512.11108v1
קרא עוד