Огляд та аналіз архітектури Recursive Language Models у контексті розпізнавання фейкової інформації
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
У роботі проведено дослідження архітектурного підходу Recursive Language Models як альтернативи традиційним інструментам обробки довгих текстових фрагментів у системах перевірки інформації на достовірність. Показано, що на відміну від інших підходів, RLM має можливість зберігати текст за межами контексту головної моделі та проводити його обробку через згенеровану логіку з рекурсивними викликами.
The paper studies the architectural approach of Recursive Language Models as an alternative to traditional tools for processing long text fragments in information verification systems. It is shown that, unlike other approaches, RLM has the ability to store text outside the context of the main model and process it through generated logic with recursive calls.
The paper studies the architectural approach of Recursive Language Models as an alternative to traditional tools for processing long text fragments in information verification systems. It is shown that, unlike other approaches, RLM has the ability to store text outside the context of the main model and process it through generated logic with recursive calls.
Опис
Ключові слова
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Дадиверін В. В., Бісікало О. В. Огляд та аналіз архітектури Recursive Language Models у контексті розпізнавання фейкової інформації // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2026/paper/view/27421.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (1)
- Zhang A., et al. Recursive Language Models for Large-Scale Context Reasoning [Електронний ресурс]. – 2025. – URL: https://arxiv.org/html/2512.24601v1. Lewis P., et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks [Електронний ресурс]. – 2020. – URL: https://arxiv.org/abs/2005.11401. Peng H., et al. GraphRAG: Leveraging Knowledge Graphs for Retrieval-Augmented Generation [Електронний ресурс]. – 2023. – URL: https://arxiv.org/abs/2308.03284. Google DeepMind. Autoformalization with RLM Agents (ADK Toolkit) [Електронний ресурс]. – 2025. – URL: https://github.com/deepmind/autoformalization-adk.