تیمی از پژوهشگران موفق به توسعه Text2Model و Text2Zinc شدهاند؛ چارچوبی جامع برای پیشبرد ترجمه متن به مدل با استفاده از مدلهای زبانی بزرگ. این پژوهش به افزایش علاقه به بهرهگیری از مدلهای زبانی بزرگ برای ترجمه مسائل بهینهسازی ترکیبیاتی و رضایتمندی از زبان طبیعی به مدلهای محاسباتی رسمی پاسخ میدهد.
Text2Model شامل مجموعهای از دستیاران هوشمند است که بر پایه استراتژیهای مختلف مدلهای زبانی بزرگ با سطوح پیچیدگی متفاوت ساخته شدهاند. این دستیاران همراه با یک تابلوی رتبهبندی آنلاین برای ارزیابی عملکرد ارائه میشوند. Text2Zinc نیز یک مجموعه داده چندم domaine معرفی میکند که بهطور خاص برای ثبت مسائل بهینهسازی و رضایتمندی در زبان طبیعی طراحی شده است، به همراه یک ویرایشگر تعاملی با دستیار هوشمند داخلی.
پژوهشگران تأکید میکنند که اگرچه کارهای پیشین به استفاده از مدلهای زبانی بزرگ برای ترجمه مسائل ترکیبیاتی به مدلهای رسمی پرداختهاند، این نخستین تلاش برای ادغام مسائل رضایتمندی و بهینهسازی در یک معماری و مجموعه داده یکپارچه است. برخلاف رویکردهای موجود که بر ترجمه به مدلهای ویژه حلکننده تمرکز دارند، روش آنها مستقل از حلکننده است. تیم پژوهشی این هدف را با بهرهگیری از قابلیتهای مدلسازی مستقل از حلکننده و پارادایم MiniZinc محقق کرده است.
این تیم آزمایشهای گستردهای انجام داده و دقت اجرا و راهحل را در میان چندین استراتژی مقایسه کرده است، از جمله: prompting بدون نمونه، استدلال زنجیرهای، نمایشهای میانی مبتنی بر گراف دانش، کدگذاری نحوی مبتنی بر دستور زبان، و رویکردهای عاملی که وظایف را به زیروظایف متوالی تجزیه میکنند.
استراتژیهای دستیار هوشمند آنها در رقابت با و در برخی زمینهها بهبود بر پژوهشهای اخیر این حوزه بوده است. با این حال، یافتهها نشان میدهد که اگرچه مدلهای زبانی بزرگ نویدبخش مدلسازی ترکیبیاتی هستند، هنوز فناوری آماده استفاده کاملاً خودکار برای ترجمه مدل نیستند.
همه منابع شامل دستیاران Text2Model، تابلوی رتبهبندی، مجموعه داده Text2Zinc و ویرایشگر تعاملی بهصورت متنباز منتشر شدهاند تا از پژوهش و توسعه بیشتر در این زمینه حمایت کنند.
گفتگو