Naukowcy opracowali trzystopniową skalę metod do podłączenia dużego modelu języka Qwen2.5-32B-Instruct do symulator CCSS-IX, który dokładnie odwzorowuje fizykę i biologię oczyszczalni ścieków. Pytania w stylu "dlaczego wzrasta N2O" czy "co się stanie, jeśli zmniejszę napowietrzanie o 20 procent" wymagają odpowiedzi zakorzenionej w faktycznych zależnościach między zmiennymi w konkretnej instalacji, a nie w ogólnych tekstach z pretrainingu.
Pierwsza metoda - bezpośrednie połączenie z live oracle symulator - osiągnęła idealne 99,5 proc. na benchmark 198 pytań, ale wymaga stałego dostępu do pełnego symulator. Druga metoda - wstrzyknięcie strukturalnych parametrów bezpośrednio do modelu - uzyskała 79 proc. i trenuje się w 17 sekund, jednak nie przenosi się na inne instalacje. Trzecia metoda, Decoupled Recall-Reasoning retriever, osiągnęła 75,8 proc. z 110 milionami parametrów, ale kluczowa różnica pojawia się w pytaniach konterfaktycznych: tylko ta ostatnia radzi sobie z scenariuszami interwencji, uzyskując 95 proc. dokładności.
Wyniki pokazują ewidentną hierarchię efektywności, każdy szczebel oferując kompromis między dokładnością a praktycznym wdrożeniem. Szczególnie cenne jest to, że DRR retriever uczy się per instalacja w 17 sekund i po transferze do biologicznie różnej oczyszczalni osiąga 88 proc. dokładności - co w rzeczywistości sugeruje, że mechanizm przenosi się lepiej niż statyczne tabele parametrów. Zespół przetestował również uniwersalność podejścia na AI2 Reasoning Challenge z wykorzystaniem OpenBookQA, gdzie ten sam recall-reasoning mechanizm osiągnął 79 proc., przewyższając unconstrained Llama-3.1-8B i full-injection, co potwierdza, że technologia ma znaczenie poza branżą Water Tech.