# Как Baidu обрабатывает противоречия между ответом модели и найденными знаниями Опубликованная заявка US20260087055A1 разделяет фактические и смысловые ошибки и предусматривает разные пути формирования ответа. Source: https://www.iplexlaw.co.kr/ru/blog/baidu-rag-knowledge-conflict-resolution ГЛАВНАЯ / Новости и аналитика Новости и аналитика Как Baidu обрабатывает противоречия между ответом модели и найденными знаниями Опубликованная заявка US20260087055A1 разделяет фактические и смысловые ошибки и предусматривает разные пути формирования ответа. ИИ и программное обеспечение 2026.10.06 Опубликовано IPLEX Время чтения: 10 мин. Схема сравнения ответа модели и найденных знаний Когда два источника дают разные сроки Предположим, модель предлагает подать отчёт о расходах до конца месяца, а найденное положение — в течение семи дней после командировки. Это учебный пример, не правила Baidu. Дополнительный поиск сам по себе не определяет, какой ответ верен. Знания в обученных параметрах могут расходиться с внешними документами; RAG добавляет материалы на этапе вывода, не обязательно переобучая модель. Рассматривается американская заявка US20260087055A1, опубликованная 26 марта 2026 года, заявитель — Baidu Online Network Technology (Beijing). Публикация A1 не подтверждает выдачу патента. Анализ относится к раскрытому процессу, а не устанавливает актуальный правовой статус или использование решения в коммерческом продукте. Первичный результат шире самого ответа Первый результат включает ответ, логику ответа и контекстные знания. Это расширяет материал для сопоставления с найденными данными. При этом логика ответа является сгенерированным объяснением, а не подтверждённой записью внутренних вычислений. По исходному вопросу также выполняется поиск в базе данных или ином подходящем источнике. Фигура 1 выделяет первичную генерацию, поиск, определение типа конфликта и получение итогового ответа. Источниками могут служить документы, базы данных или веб-материалы; конкретные реализации используют одинаковые либо разные источники. Технически существенны передаваемые данные и последующее ветвление, а не само добавление поиска к языковой модели. Фигура 1: первичный результат, поиск, классификация и итоговый ответ Классификация расхождений Фактическая ошибка может касаться даты, суммы или срока. Смысловая — ролей и отношений: утверждения о том, что руководитель согласует заявку сотрудника, и о том, что сотрудник согласует заявку руководителя, не равнозначны при сходном наборе слов. Возможны и другие категории, но заявка подробно рассматривает фактические и смысловые ошибки. На фигуре 2 классификатор получает первичный и найденный результаты, определения типов конфликтов и эталонные примеры. Этапы могут выполняться одной или разными моделями. Явные определения и примеры уточняют задачу классификации, но не гарантируют правильность вывода модели. Фигура 2: классификация по определениям и примерам ошибок Разная обработка в зависимости от типа При смысловом конфликте оба результата, его тип, соответствующее определение и примеры передаются модели обработки ответа. Это позволяет пересмотреть выраженное отношение, а не механически заменить исходную фразу найденной. Сгенерированное объяснение по-прежнему требует проверки. При фактическом конфликте повторно запрашивается исходная модель, заново выполняется поиск и классифицируется новая пара, пока тип не перестанет быть фактической ошибкой. Обновляются обе стороны: найденный документ также может устареть или содержать ошибку. Схема расходов лишь иллюстрирует процесс. Совпадение ответов или смена категории сами по себе не доказывают истинность результата. Условный пример отчёта о расходах: не экран продукта и не реальные правила Как связан с этим Qianfan Платформа Baidu Qianfan поддерживает рабочие процессы языковых моделей и агентов. Узел базы знаний предусматривает полнотекстовый, семантический и гибридный поиск, повторное ранжирование и передачу найденных фрагментов дальше. В документированном RAG-процессе модели передаются содержание источников и первоначальный вопрос. Это полезный контекст для понимания поиска и генерации, но не доказательство реализации в Qianfan всех признаков формулы, применения конфликтного цикла во всех конфигурациях или выдачи патента. Описание продукта и раскрытие заявки следует оценивать раздельно. Инженерные записи и патентный анализ Можно проследить цепочку от вопроса через первичный результат, найденное основание, классификацию и выбранную ветвь до ответа. Важны версии документов, задержка и условия повторного поиска. Ограничение числа итераций, передача человеку и проверка качества источников полезны при внедрении, но их нельзя без проверки объявлять обязательными признаками заявки. Запись процесса не означает обновления весов. Для патентного анализа необходимо конкретизировать входные данные, определения, критерии и изменения обработки, затем сопоставить их с уровнем техники и формулой. IPLEX может изучить допустимые к раскрытию схемы, примеры расхождений и условия оценки AI-систем. Настоящее описание не подтверждает новизну, действительность прав, патентную чистоту или измеренный прирост качества. Исходная статья в Tistory Услуги по патентованию ИИ По теме: обновление весов во время тестирования По теме: обучение и периферийный вывод DEEPX Прочитать корейский оригинал Материал отражает ситуацию на дату публикации. Обратитесь в IPLEX, чтобы обсудить обстоятельства вашего дела. Обсудить этот вопрос ↗ Все статьи НА ЭТОЙ СТРАНИЦЕ Когда два источника дают разные сроки Первичный результат шире самого ответа Классификация расхождений Разная обработка в зависимости от типа Как связан с этим Qianfan Инженерные записи и патентный анализ ОБРАТИТЕСЬ В IPLEX Обсудите с нами вопросы интеллектуальной собственности Мы рассматриваем ваши технологические и бизнес-потребности вместе. ↗ Связаться с нами Новее Дело KAHI: разные товары и заблуждение относительно их происхождения ↗ Ранее Изобретательский уровень без ретроспективного подхода ↗ Материалы по теме ИИ 2026.10.15 PaTH Attention: кодирование пути между токенами Разбор зависящих от входа преобразований Хаусхолдера, отслеживания состояний и экспериментальных возможностей и ограничений PaTH. ↗ Читать статью ИИ 2026.10.14 Huawei Pangu Weather: как связать модели с разными интервалами прогноза Разбор публикации US20250258318A1: выбор временных шагов, передача прогнозных состояний и объединение метеоданных. ↗ Читать статью ИИ 2026.10.13 LaCT: обновление временной памяти ИИ крупными блоками Технический разбор быстрых весов, загрузки GPU, причинного порядка обработки и экспериментальных ограничений LaCT. ↗ Читать статью - https://www.iplexlaw.co.kr/ru - https://www.iplexlaw.co.kr/ru/blog/category/ai - https://iplexlaw.tistory.com/6 - https://www.iplexlaw.co.kr/ru/ai-patents - https://www.iplexlaw.co.kr/ru/blog/1525199 - https://www.iplexlaw.co.kr/ru/blog/deepx-heterogeneous-processors-edge-ai - https://www.iplexlaw.co.kr/ko/blog/baidu-rag-knowledge-conflict-resolution - https://www.iplexlaw.co.kr/ru/contact - https://www.iplexlaw.co.kr/ru/blog - https://www.iplexlaw.co.kr/ru/blog/baidu-rag-knowledge-conflict-resolution#case-baidu-en-0 - https://www.iplexlaw.co.kr/ru/blog/baidu-rag-knowledge-conflict-resolution#case-baidu-en-1 - https://www.iplexlaw.co.kr/ru/blog/baidu-rag-knowledge-conflict-resolution#case-baidu-en-2 - https://www.iplexlaw.co.kr/ru/blog/baidu-rag-knowledge-conflict-resolution#case-baidu-en-3 - https://www.iplexlaw.co.kr/ru/blog/baidu-rag-knowledge-conflict-resolution#case-baidu-en-4 - https://www.iplexlaw.co.kr/ru/blog/baidu-rag-knowledge-conflict-resolution#case-baidu-en-5 - https://www.iplexlaw.co.kr/ru/contact - https://www.iplexlaw.co.kr/ru/blog/brunch-case-1801 - https://www.iplexlaw.co.kr/ru/blog/brunch-case-1800 - https://www.iplexlaw.co.kr/ru/blog/path-attention-householder-transformations - https://www.iplexlaw.co.kr/ru/blog/path-attention-householder-transformations - https://www.iplexlaw.co.kr/ru/blog/huawei-pangu-weather-time-interval-models - https://www.iplexlaw.co.kr/ru/blog/huawei-pangu-weather-time-interval-models - https://www.iplexlaw.co.kr/ru/blog/lact-large-chunk-test-time-training - https://www.iplexlaw.co.kr/ru/blog/lact-large-chunk-test-time-training