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.
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.
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.
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.
По теме: обновление весов во время тестирования
По теме: обучение и периферийный вывод DEEPX