Il framework CAST migliora la stabilità degli LLM per l'analisi testuale

I ricercatori hanno introdotto CAST (Consistency via Algorithmic Prompting and Stable Thinking), un framework progettato per migliorare la stabilità dell'output nei modelli linguistici di grandi dimensioni (LLM) per l'analisi testuale di dati tabulari. L'analisi testuale si basa sulla sintesi per l'estrazione di temi a livello di corpus e sull'etichettatura per l'annotazione a livello di riga, ma gli LLM spesso non soddisfano gli elevati standard di stabilità richiesti nell'analisi dei dati. CAST affronta questo problema vincolando il percorso di ragionamento latente del modello attraverso due componenti: Algorithmic Prompting, che impone un'impalcatura procedurale sulle transizioni di ragionamento valide, e Thinking-before-Speaking, che impone impegni intermedi espliciti prima della generazione finale. Per misurare i progressi, il team ha anche introdotto CAST-S e CAST-T, metriche di stabilità rispettivamente per la sintesi puntata e l'etichettatura. Il paper è disponibile su arXiv con ID 2602.15861.