Resumen: Los grandes modelos de idiomas (LLM) son prometedores para la fabricación sostenible, pero a menudo alucinan los códigos industriales y los factores de emisión, socavando las decisiones regulatorias y de inversión. Introducimos Circugragg, un marco de generación de recuperación (RAG) que motiva los resultados de LLMS en un gráfico de conocimiento específico de dominio para la economía circular. Este gráfico conecta 117,380 entidades industriales y residuales con códigos de clasificación y datos de emisión GWP100, lo que permite un razonamiento estructurado de múltiples saltos. Las consultas del lenguaje natural se traducen en SPARQL y se recuperan los subgrafos verificados para garantizar la precisión y la trazabilidad. En comparación con las LLMS independientes y el trapo ingenuo, Circugragrag logra un rendimiento superior en la respuesta de preguntas de un solo salto y múltiple salto, con puntajes Rouge-L F1 de hasta 1.0, mientras que los puntajes de base de base por debajo de 0.08. También mejora la eficiencia, reduce a la mitad el tiempo de respuesta y reduce el uso de tokens en un 16% en tareas representativas. Circugragg proporciona un apoyo a verificación de hechos y listos para la regulación para la planificación de la economía circular, avanzando en la toma de decisiones confiables de recursos bajos en carbono.
Publicado Originalme en rss.arxiv.org El 5 de junio de 2025.
Ver Fuente Original
