Nous avons examiné les !flux d'événements et la physique de leur apparition précédemment.

Une autre paradigme permettant d'examiner les !flux d'événements à travers le filtre du fonctionnement des modèles de langage :

Imaginons notre !réalité comme un grand LLM analogique (aLLM). On pourrait supposer que n'importe quel événement peut y survenir, mais ce n'est pas le cas. Par exemple, si vous voulez aller au magasin, vous devez exécuter une chaîne stricte d'actions (de transactions du LLM analogique) :

S'habiller → prendre son portefeuille → monter dans la voiture → arriver au magasin → se garer → prendre un chariot, etc.

• Échec dans la chaîne : Si un token ou une transaction manque, toute la chaîne de génération sera interrompue. Si vous avez oublié les clés de la voiture, un retour en arrière du modèle se produira à la transaction « arriver au magasin ».

• Recherche d'alternatives : Le LLM analogique commencera à chercher d'autres options pour effectuer la transaction via d'autres tokens : prendre l'bus, aller à pied, etc.

Les chaînes de génération du LLM analogique sont ces mêmes !flux événementiels. Si nous voulons aller au magasin, il n'est pas nécessaire de calculer tout le nuage possible de tokens et de transactions. Chaque token suivant ne peut être suivi que par un ensemble limité d'options, il suffit donc de calculer le chemin le plus probable d'écoulement du !flux événementiel (de la chaîne de génération du LLM analogique).

Ce principe est utilisé par le bot-aLLM, qui modélise lequel des tokens événementiels s'avérera le plus probable dans la chaîne de génération traitée.