Команда Тяньцзиньского технологического университета представила слой принятия решений о памяти (MDL) для повышения надежности LLM-агентов. Система оценивает документы по трем независимым параметрам: релевантности, надежности и риску задачи. Для исключения взаимного влияния сигналов используется QR-декомпозиция.
Коэффициент риска от 0,70 присваивается темам медицины, права и финансов. Если итоговая оценка доверия падает ниже порога, система отказывается от генерации ответа. Время принятия решения составляет около 0,14 миллисекунды, что значительно быстрее методов самопроверки языковых моделей.
В условиях конфликтующих данных обычный RAG выдает 53% галлюцинаций, тогда как с MDL показатель снижается до 23,3%. Тем не менее, в 8% случаев система одобряет дезинформацию. Эффективность контроллера зависит от базовой модели: на deepseek-v4-flash прирост точности оказался минимальным.
Сравнение с классическими алгоритмами показало, что логистическая регрессия и градиентный бустинг достигают точности 63,3% и 64,6% соответственно, тогда как геометрический контроллер демонстрирует 61,2%. Система также теряет эффективность при обработке высокорисковых и высокорелевантных запросов.
