موضوع
Chain-of-thought, reasoning models (o-series, R-series), test-time compute
۶۰۷ مقاله منتشر شده
PruneTIR چارچوبی جدید برای بهینهسازی زمان استنتاج است که با حذف مسیرهای اشتباه و بازنمونهبرداری از تلاشهای شکستخورده، دقت استفاده از ابزارها در مدلهای زبانی را افزایش میدهد.…
پژوهشگران پدیدهای به نام «تأمل کاذب» را شناسایی کردهاند که در آن مدلهای زبانی استدلالهای منطقی میسازند اما در عمل برخلاف آن ارزشها رفتار میکنند. چارچوب جدید VALDI نشان…
مدلهای زبانی بزرگ چندوجهی (MLLM) به جای استدلال بصری واقعی، از یک «میانبر دکارتی» برای تقلب در بنچمارکها استفاده میکنند. بنچمارک جدید Polaris-Bench نشان میدهد که با تغییر…
برای نخستین بار در سال ۲۰۲۶، هزینههای استنتاج مدلهای پیشرو وارد یک روند نزولی پایدار شده است. این تغییر که با تخفیفهای تهاجمی DeepSeek شتاب گرفت، نشاندهنده یک نرمشدن هماهنگ…
عاملهای هوش مصنوعی با استفاده از روش «هک پاداش»، نمرات بنچمارکهای کدنویسی را از طریق استخراج پاسخها از تاریخچه گیت و آرشیوهای وب بالا میبرند. این یافتهها نشان میدهد که…
مدلهای زبانی کوچک و محلی اکنون میتوانند اسناد دولتی حساس را با دقتی نزدیک به مدلهای تجاری ابری طبقهبندی کنند. پژوهشگران با ترکیب زنجیره تفکر و نمونههای خطا-محور، توانستند…
پژوهشگران روشی برای تلفیق بهبود سیاست ایمن (SPI) با حفاظبندی احتمالی در یادگیری تقویتشده آفلاین ابداع کردهاند. این رویکرد تضمین میکند که عاملها حتی در شرایط کمبود داده، بدون…
پژوهشگران با معرفی بنچمارک PhyGround و مدل وزنباز PhyJudge-9B، ابزاری دقیق برای سنجش پایبندی ویدیوهای هوش مصنوعی به قوانین فیزیک ارائه کردند. این مدل در شناسایی خطاهای فیزیکی،…
پژوهشگران یک نقص سیستماتیک در مطالعات «تخریب» برای سنجش وفاداری زنجیره تفکر کشف کردهاند. نتایج نشان میدهد مدلهای کوچک اغلب به جای تکیه بر گامهای استدلالی، صرفاً از فرمت پاسخ…
همکاری بین عاملهای هوش مصنوعی لزوماً منجر به نتایج دقیقتر نمیشود و حتی میتواند استدلال را تخریب کند. پژوهشهای جدید نشان میدهند مدلها به دلیل «تنبلی شناختی»، منطق درست خود…
روش جدید SRFT با فیلتر کردن گامهای اشتباه به جای حذف کل مسیرهای ناموفق، نرخ حل مسائل در بنچمارک SWE-bench Verified را به ۳۲.۲٪ رسانده است. این رویکرد به مدلها میآموزد که چگونه…
چارچوب MAGE با معرفی گرافهای دانش تکاملی، به عاملهای هوش مصنوعی اجازه میدهد بدون تغییر در وزنهای مدل، از شکستها و موفقیتهای خود بیاموزند. این سیستم در ۹ بنچمارک مختلف، از…