blog Simon Willison · 1 jam lalu · agents

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

Diterjemahkan dari English → Bahasa Indonesia

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.

Perusahaan mengklaim telah menghabiskan kurang dari $2.000 dalam harga token GPT-5.6 Sol untuk setiap masalah. Repositori openai/ten-proofs berisi formalisasi Lean 4 dari hasil-hasil ini, bersama dengan makalah yang menggambarkan solusi dan PDF yang dihasilkan oleh LLM yang merekonstruksi proses pembuktian dari jejak penalaran yang tidak dipublikasikan.

Perkembangan ini sejalan dengan visi matematikawan Terence Tao tentang 'matematika besar', di mana AI menangani pekerjaan teknis berat dalam kolaborasi skala besar antara manusia dan mesin.

Kepentingan 3/3 Fitur baru dibanding pemimpin Simon Willison OpenAI Reasoning models Research paper

Baca aslinya

Model Astra memecahkan sepuluh masalah terbuka dalam matematika dan ilmu komputer teoretis

Model internal Astra dari OpenAI telah menghasilkan solusi untuk sepuluh masalah terbuka yang telah berlangsung lama di bidang matematika dan ilmu komputer teoretis, dengan argumen yang diformalisasi dalam Lean. Hasil-hasil ini mencakup geometri berdimensi tinggi, teori pengkodean, teori grup, dan kompleksitas kuantum, menjawab pertanyaan-pertanyaan yang tidak menunjukkan kemajuan selama setidaknya satu dekade.

arxiv arXiv cs.AI · 10 hari lalu

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.CL · 16 hari lalu · 1 tayangan

GSM-Plus-BN memperkenalkan benchmark berbasis gangguan untuk penalaran matematika Bengali

Studi ini memperkenalkan GSM-Plus-BN, dataset matematika Bengali terganggu yang baru, yang berasal dari benchmark GSM-Plus bahasa Inggris dan diverifikasi oleh penerjemah manusia. Sumber daya ini mengatasi kurangnya benchmark sistematis untuk menilai ketahanan model di wilayah dengan keragaman linguistik seperti Bangladesh.

arxiv arXiv cs.AI · 17 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 · 18 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.