arxiv Moonshot AI (arXiv) · 838 hari lalu

Memahami Masalah Secara Mendalam: Metode Mencapai 97,1% pada GSM8K

Diterjemahkan dari English → Bahasa Indonesia

Peneliti mengusulkan DUP (Deeply Understanding the Problems), sebuah metode yang dirancang untuk meningkatkan kemampuan Model Bahasa Besar dalam menyelesaikan soal matematika dengan mengatasi kesalahan kesalahpahaman semantik yang sering membatasi penalaran Chain-of-Thought.

DUP mendorong model untuk memahami masalah secara mendalam dan mengekstrak informasi kunci untuk penalaran yang lebih baik.
Metode ini secara konsisten mengungguli rekan-rekannya di 10 benchmark penalaran yang beragam.
DUP mencapai akurasi state-of-the-art baru sebesar 97,1% pada benchmark GSM8K dalam pengaturan zero-shot.

Pendekatan ini mengatasi faktor utama yang membatasi kinerja penalaran LLM dengan berfokus pada pemahaman semantik daripada hanya perhitungan atau kesalahan langkah yang terlewat.

Kepentingan 1/3 Moonshot AI (arXiv) Reasoning models Research paper

Benchmark

Benchmark	Model	Skor
GSM8K	DUP method	97.1%

Baca aslinya

Astra dari OpenAI memecahkan 10 masalah matematika terbuka utama

OpenAI telah merilis hasil dari model internalnya yang belum dirilis, Astra, yang berhasil memecahkan sepuluh masalah terbuka signifikan dalam matematika. Solusi-solusi tersebut dihasilkan oleh model dan selanjutnya diformalkan menjadi sertifikat Lean oleh peneliti manusia.

blog Simon Willison · 8 hari lalu · 12 tayangan

Model Astra OpenAI memecahkan sepuluh masalah matematika lama menggunakan GPT-5.6 Sol

OpenAI telah merilis solusi untuk sepuluh masalah matematika dan ilmu komputer teoretis yang tidak mengalami kemajuan pada hasil utamanya selama setidaknya satu dekade, menggunakan versi internal dari model utama berikutnya, Astra.

arxiv arXiv cs.AI · 17 hari lalu · 1 tayangan

PoTRE memperkenalkan kerangka kerja multi-agen heterogen untuk penalaran saat pengujian

Para penulis memperkenalkan PoTRE (Poly-Topological Reasoning Ensembles), sebuah kerangka kerja yang dirancang untuk mengatasi keterbatasan prompting aliran tunggal standar dalam tugas penalaran kompleks. PoTRE memisahkan inferensi menjadi empat agen yang berbeda: Agen Refinement Adversarial, Agen Perencanaan Strategis Hierarkis, Agen Pencarian Spektrum, dan Agen Rantai Langsung.

arxiv arXiv cs.AI · 24 hari lalu

Deep Interaction memungkinkan koreksi manusia yang presisi atas kesalahan penalaran LLM

Para penulis mengusulkan Deep Interaction, metode interaksi manusia-AI yang efisien yang dirancang untuk memperbaiki kesalahan penalaran dalam model bahasa besar tanpa memerlukan regenerasi respons penuh. Mekanisme ini memungkinkan pengguna mengedit langsung respons Chain-of-Thought asli, mempertahankan langkah-langkah yang akurat sambil memperbaiki kesalahan.

arxiv arXiv cs.CL · 25 hari lalu

Ring-Zero menskalakan RL nol ke 1T parameter untuk penalaran yang muncul

Peneliti menyajikan Ring-Zero, sebuah pipeline pelatihan stabil yang menskalakan pembelajaran penguatan dengan hadiah yang dapat diverifikasi ke model dengan satu triliun parameter, mengatasi masalah seperti redundansi token dan keterbacaan buruk yang ditemukan dalam penskalaan naif.