arxiv Moonshot AI (arXiv) · il y a 486 j

Seed1.5-Thinking utilise l'apprentissage par renforcement pour améliorer le raisonnement

Traduit de English → Français

Les chercheurs présentent Seed1.5-Thinking, un modèle Mixture-of-Experts avec 20B de paramètres activés et 200B au total qui raisonne avant de répondre. La méthode atteint 86.7 sur AIME 2024, 55.0 sur Codeforces et 77.3 sur GPQA, démontrant de solides capacités de raisonnement en STEM et en programmation.

Dépasse DeepSeek R1 de 8 % en taux de victoire sur les tâches non liées au raisonnement.
Développe deux benchmarks internes, BeyondAIME et Codeforces, pour évaluer le raisonnement généralisé.

Le modèle démontre une généralisation notable dans divers domaines, indiquant une applicabilité plus large au-delà des tâches de raisonnement pur.

Importance 2/3 Moonshot AI (arXiv) ByteDance Reasoning models Research paper

Benchmarks

Benchmark	Modèle	Score
AIME 2024	Seed1.5-Thinking	86.7%
GPQA Diamond	Seed1.5-Thinking	77.3%

Lire l'original

Douyin publie le modèle d'encodage multimodal DME avec des performances de pointe

Douyin a publié le rapport technique de son modèle Multimodal Embedding (DME), qui combine un pré-entraînement contrastif à grande échelle avec un raisonnement latent pour atteindre une forte capacité de discrimination et une efficacité.

media Don't Worry About the Vase · il y a 5 j · 5 vues

Astra d'OpenAI résout 10 grands problèmes ouverts de mathématiques

OpenAI a publié les résultats de son modèle interne non diffusé, Astra, qui a réussi à résoudre dix problèmes ouverts importants en mathématiques. Les solutions ont été générées par le modèle puis formalisées en certificats Lean par des chercheurs humains.

blog Simon Willison · il y a 8 j · 12 vues

Le modèle Astra d'OpenAI résout dix problèmes mathématiques de longue date en utilisant GPT-5.6 Sol

OpenAI a publié des solutions à dix problèmes de mathématiques et d'informatique théorique qui n'avaient connu aucun progrès sur leurs résultats principaux depuis au moins une décennie, en utilisant une version interne de son prochain modèle majeur, Astra.

arxiv arXiv cs.AI · il y a 17 j · 1 vue

PoTRE présente un cadre multi-agents hétérogène pour le raisonnement au moment du test

Les auteurs présentent PoTRE (Poly-Topological Reasoning Ensembles), un cadre conçu pour pallier les limites de l'invocation standard en flux unique dans les tâches de raisonnement complexes. PoTRE découple l'inférence en quatre agents distincts : un Agent d'affinement adversarial, un Agent de planification stratégique hiérarchique, un Agent de recherche spectrale et un Agent à chaîne directe.

arxiv arXiv cs.AI · il y a 24 j

Deep Interaction permet une correction humaine précise des erreurs de raisonnement des LLM

Les auteurs proposent Deep Interaction, une méthode d'interaction homme-IA efficace conçue pour corriger les erreurs de raisonnement dans les grands modèles de langage sans nécessiter de régénération complète de la réponse. Ce mécanisme permet aux utilisateurs de modifier directement la réponse Chain-of-Thought originale, préservant les étapes précises tout en corrigeant les erreurs.