بر اساس پیش‌چاپی که 2 نوامبر 2026 در arXiv منتشر شد، نمونه‌های آموزشی که فقط یک‌بار دیده می‌شوند، ممکن است به مدل‌های زبانی کمک کنند هدف‌های علمی‌ای تولید کنند که برای بازتولیدشان آموزش ندیده‌اند. نویسندگان در آزمایش‌های کنترل‌شده تنظیم دقیق گزارش می‌دهند که با افزایش فراوانی این نمونه‌های نادر، بازیابی دقیق فرمول‌های مواد و توالی‌های DNA تنظیمی کنارگذاشته‌شده بهتر شد. داوری همتای این پژوهش تأیید نشده است.
پژوهش، مدل‌های gpt-oss-20b و gemma-3-12b-it را آزمود و سهم «تک‌واقعیت‌ها» را با تعریف عملیاتی مشخص، از 0% تا 100% و با گام‌های 10 واحد درصدی تغییر داد. در مواد، تک‌واقعیت یک سامانه شیمیایی، یعنی مجموعه عناصر تشکیل‌دهنده، بود که فقط یک‌بار در مجموعه آموزشی ساخته‌شده حضور داشت. در ژنومیک، این اصطلاح به توالی‌ای اشاره داشت که هیچ نمونه آموزشی دیگری بیش از 150 نوکلئوباز با آن هم‌پوشانی نداشت. این تعریف‌ها شاخص‌های جانشین مختص هر مسئله برای واقعیت‌های معنایی به‌کاررفته در نظریه‌اند.
آموزش مواد از نسخه پایگاه Materials Project به تاریخ 14 نوامبر 2024 استفاده کرد؛ ارزیابی، فرمول‌هایی را هدف گرفت که نخستین‌بار در نسخه 25 سپتامبر 2025 ظاهر شده بودند. مسئله ژنومیک از بخش تصادفی کنارگذاشته‌شده یک مجموعه‌داده استفاده کرد که در اکتبر 2024، پس از تاریخ پایان دانش گزارش‌شده هر دو مدل، منتشر شده بود. مدل‌ها تغییراتی در توالی‌های DNA با طول 200 نوکلئوتید پیشنهاد می‌کردند تا فعالیت تنظیمی هدف در سلول‌های K562، HepG2 و SK-N-SH حاصل شود. این ترتیبات برخی نگرانی‌ها درباره آلودگی داده را کاهش می‌دهند، اما به‌طور مستقل ثابت نمی‌کنند که اطلاعات ارزیابی در هیچ‌یک از ورودی‌های آموزشی وجود نداشته است.
در هر نرخ تک‌واقعیت، مرحله نخست آموزش از سه مجموعه‌داده با نمونه‌گیری مستقل استفاده کرد که هرکدام شامل 10,000 نمونه مواد یا 20,000 نمونه ژنومیک بودند. مرحله دوم از مجموعه‌داده جداگانه‌ای با 4,000 نمونه و ردهای استدلال منتسب به Claude Opus 5 استفاده کرد. موفقیت به معنای تطابق دقیق با هدف کنارگذاشته‌شده بود؛ چه با یک خروجی قطعی و چه در میان 16 خروجی حاصل از نمونه‌گیری تصادفی.
نویسندگان گزارش می‌دهند که در هر دو حوزه، هر دو خانواده مدل، هر دو مرحله آموزش و هر دو شیوه ارزیابی، بازیابی با افزایش نرخ تک‌واقعیت به‌صورت یکنواخت افزایش یافت. تولید 16 گزینه و افزودن نظارت بر استدلال، میزان مطلق بازیابی را بهبود داد و این روند را حفظ کرد. تحلیل گزارش‌شده برای gpt-oss-20b نیز این رابطه را در سطوح کم، متوسط و زیاد تلاش استدلالی حفظ کرد. مقادیر عددی نرخ بازیابی و اندازه اثر در متن ارائه‌شده موجود نیست.
توضیح نظری بر «جرم احتمال گمشده» تکیه دارد: احتمالی که به پیامدهای غایب از یک نمونه آموزشی مربوط می‌شود. مشاهده‌های تک‌بار به برآورد این جرم کمک می‌کنند. نویسندگان با فرض‌هایی درباره کالیبراسیون و وجود مرزی ساختاریافته از گزینه‌های محتمل، کران‌هایی به دست می‌آورند که نرخ تک‌واقعیت را به کشف مورد انتظار پیوند می‌دهند. افزایش تک‌واقعیت‌ها به‌تنهایی موفقیت را تضمین نمی‌کند؛ مدل‌ها باید خروجی‌های دیده‌نشده را نیز به سوی گزینه‌های محتمل هدایت کنند. طبق گزارش، در آزمون مواد کنارگذاشته‌شده از نسخه مربوط به دوره آموزش، نرخ‌های بالاتر تک‌واقعیت هم بازیابی و هم خروجی‌های طبقه‌بندی‌شده به‌عنوان توهم را افزایش دادند.
در اینجا «کشف» به معنای بازیابی هدف‌های موجودی است که برای ارزیابی کنار گذاشته شده‌اند. آزمایش‌ها کشف آزمایشگاهی آینده‌نگر، پایداری مواد یا عملکرد تأییدشده آزمایشگاهی گزینه‌های DNA تازه‌تولیدشده را نشان نمی‌دهند. اندازه مجموعه‌های ارزیابی، فاصله‌های اطمینان عددی و آزمون‌های معناداری در شواهد ارائه‌شده موجود نیست. نتایج از نقش شیوه ساخت داده آموزشی در فرایندهای آزموده‌شده پشتیبانی می‌کنند، اما تعمیم این رابطه به کشف علمی گسترده‌تر همچنان پرسشی باز است.
تصویر جلد با هوش مصنوعی تولید شده و تصویرسازی مفهومی است؛ مدرک پژوهش نیست.