もっともらしい二つの情報が一致しない場面
経費申請の期限について、モデルが「月末まで」と答え、検索した規程には「出張後7日以内」とある場面を考えます。これは説明用の仮定であり、Baiduの規程ではありません。検索量を増やすだけでは、どちらを採用すべきか決まりません。学習済みパラメータに蓄積された知識と外部資料が食い違うことがあり、RAGは通常、再学習ではなく推論時に資料を参照させる仕組みです。
対象は2026年3月26日公開の米国特許出願US20260087055A1で、出願人はBaidu Online Network Technology (Beijing)です。A1公報は特許査定・登録の証明ではありません。本稿は公開された処理構成を検討するもので、現在の法的状態や製品への実装を認定するものではありません。
最初の結果を回答だけにしない
最初の結果には、回答、回答の論理、文脈知識が含まれます。検索結果と照合する材料を広げる構成です。ただし、回答の論理はモデルが生成する説明であって、内部計算を忠実に再現した記録とは限りません。質問に基づくデータベース等の検索も別途行われます。
公報の図1では、初期生成、検索、不整合の種類の判定、最終回答の決定を分けています。文書群、データベース、ウェブ情報等が対象となり、構成によって同一または異なる情報源を用い得ます。単に検索機能を付けることよりも、各段階が受け渡す情報と後続の分岐が技術的な検討点になります。
何が食い違うのかを分類する
事実上の不整合は日付、金額、期限等の違いです。意味上の不整合は関係や役割の違いで、例えば「上司が部下の申請を承認する」と、その主客を逆転した文は、単語が似ていても同じ意味ではありません。他の類型も設定できますが、公報は特に事実エラーと意味エラーを扱っています。
図2の分類段階には、最初の結果、検索結果、各不整合の定義と参照例を入力します。各段階に同じモデルを使う構成も、異なるモデルを使う構成も考えられます。定義と例を明示することは判定基準の整理に役立ちますが、分類結果の正しさを保証するわけではありません。
分類によって処理を変える
意味上の不整合では、初期結果と検索結果、不整合の種類、その定義と例を回答処理モデルに渡し、関係の捉え方を再検討させる構成が示されています。検索文を機械的に優先するだけの処理とは異なり、生成された説明も検証対象です。
事実上の不整合では、元のモデルへの再質問と再検索を行い、新しい組合せを再分類して、事実エラーではなくなるまで繰り返す構成です。更新するのはモデル回答だけではなく、古い可能性のある検索情報も含みます。経費期限の図はこの流れの例示であり、両者が一致したことや分類が変わったことだけで真実性が証明されるわけではありません。
千帆の説明資料との関係
Baiduの千帆は大規模言語モデルやエージェントのワークフローを構築する基盤です。知識ベースノードでは全文検索、意味検索、ハイブリッド検索と再ランキングを扱い、取得した断片を後段へ渡します。公式のRAGワークフロー例では、知識内容と元の質問をモデルの入力として設定します。
この資料は検索と回答生成を組み合わせる実装環境の理解に役立ちますが、千帆が当該出願の全請求項を実施していること、全構成で反復処理を行うこと、または特許登録を受けたことを示しません。公開製品仕様と出願内容を分けて読む必要があります。
実装検討と特許分析の着眼点
質問、初期結果、検索根拠、分類、分岐、最終回答までの流れを追跡すると、比較対象が明確になります。文書の版、遅延、再検索の条件も重要です。反復回数の上限、人による確認、根拠の品質管理は運用上の検討事項であり、当然に本出願の請求要件だと付け加えるべきではありません。このログ管理は重み更新とは別です。
知財検討では入力情報、定義、判断条件、処理の変更点を具体化し、先行技術と請求項に照らします。IPLEXでは、共有可能なシステム図、不一致の例、評価条件等を基にAI・ソフトウェアの権利設計を支援します。本稿だけで新規性、有効性、実施自由や性能向上が確認されたことにはなりません。