Meta mengumumkan bahwa model Muse Spark 1.2 mereka mencapai performa medali emas di lima Olimpiade STEM dan masuk dalam top 5 pada Indeks Vals dengan harga $0,69 per uji, dilaporkan 3x lebih murah daripada Kimi. Meta mengaitkan peningkatan ini dengan orkestrasi multi-agen yang menggunakan penalaran paralel, mencatat skor teori sempurna di APhO dan IPhO tanpa alat eksternal.
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.
AI9Stars telah merilis G9v3-39A5B, sebuah model bahasa bobot terbuka yang dirancang untuk memberikan kemampuan penalaran yang lebih kuat dibandingkan pendahulunya, ai9stars/G9v3-3B. Model ini memiliki 39 miliar parameter dan 5 ahli aktif serta dilisensikan di bawah Apache 2.0 untuk penggunaan pribadi dan komersial.
Sebuah makalah kerja oleh Joseph JM Walker mengevaluasi model bahasa frontier pada benchmark kriptografi sastra multi-saluran yang belum pernah dilihat sebelumnya, yang tertanam dalam novel fisik "I Wrote a Book and Made a Million Dollars (I.B. Wryten)." Studi ini menemukan bahwa GPT-5.6 secara mandiri mengenali saluran komunikasi sekunder dan memulihkan sekitar 95% materi yang disematkan pada percobaan pertama, sedangkan model-model sebelumnya menunjukkan kemampuan efektif 0%.
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.
Sebuah studi menunjukkan bahwa model bahasa frontier dapat melakukan komputasi penting menggunakan token pengisi yang tidak relevan secara semantik, menciptakan mode kegagalan di mana penalaran tidak terlihat dalam rantai-tanggapan keluaran. Penelitian ini mengevaluasi 13 model di tiga tugas dan menemukan bahwa banyak yang mendapat manfaat signifikan dari token tersebut, dengan peningkatan akurasi hingga 13 poin persentase.
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.
Peneliti mengusulkan Isospectral Optimization (ISO), sebuah kerangka kerja untuk Pembelajaran Penguatan dengan Had Terverifikasi (RLVR) yang mengatasi lapisan optimasi yang hilang dengan menjaga spektrum bobot model tetap sambil mengoptimalkan frame singular input dan output.
Seorang pengembang berbagi kemajuan pada arsitektur AI simbolik konversasional yang dikembangkan selama delapan bulan terakhir, bertujuan untuk mengatasi kesenjangan dalam ekstraksi informasi non-neural.
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.
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.
Thinking Machines Lab telah merilis Inkling, model Mixture-of-Experts multimodal baru yang dirancang untuk penalaran efisien token dan pemahaman asli terhadap input teks, gambar, dan audio. Together AI membuat model ini tersedia di platform inferensinya dengan akses hari-nol.
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.
Para peneliti telah mengembangkan dataset penalaran skala besar yang baru dan benchmark FukuyamaBench untuk mengevaluasi penalaran mekanisme hierarkis dalam model bahasa besar, mengatasi inkonsistensi fisik yang umum terjadi pada LLM kimia saat ini.
Kerangka teoretis baru menjelaskan munculnya kemampuan penalaran induktif dalam model bahasa Transformer dengan mempelajari kelas tugas induktif umum yang menyatukan tugas sintetis seperti n-gram konteks dan penalaran multi-hop.
Tantangan Penalaran Model NVIDIA Nemotron mengundang komunitas Kaggle untuk mengeksplorasi teknik yang meningkatkan akurasi penalaran di bawah kendala bersama berupa model terbuka, benchmark, dan infrastruktur. Pada akhir kompetisi, lebih dari 5.000 peserta aktif dari 4.000 tim telah menghasilkan ribuan submission.
Para peneliti memperkenalkan TreeThink, sebuah pustaka Python sumber terbuka yang dirancang untuk pencarian pohon modular dan sepenuhnya asinkron dalam pembuktian teorema neural. Ini mengintegrasikan metode pencarian yang mapan dengan pipeline inferensi berbasis vLLM dan berbagai teknik evaluasi node.
Para penulis memperkenalkan WILDTRACE, sebuah benchmark baru yang dirancang untuk mengevaluasi seberapa baik model mengintegrasikan bukti yang tersebar di bagian-bagian jauh dalam dokumen panjang. Berbeda dengan benchmark yang ada yang mengandalkan fakta tanam atau rantai rekayasa balik, WILDTRACE menggunakan 481 tugas yang berasal dari 214 sumber alami, seperti laporan insiden teknis dan narasi sastra.
Artikel ini berargumen bahwa varians intra-kelas dalam representasi model bahasa bukanlah collapse neural yang tidak lengkap, melainkan penyimpanan informasi yang dialokasikan yang diatur oleh hukum tertentu. Analisis terhadap 14 model menunjukkan bahwa struktur makro-kategori hanya menyumbang 4-12% dari varians representasi, sementara konteks tingkat token membawa 79-91%, tetap stabil di rentang parameter 100x.
Makalah ini berargumen bahwa membangun sistem cerdas yang lebih kuat yang mampu berinovasi secara terbuka memerlukan pembuatan, stabilisasi, dan penggunaan kembali primitif representasi baru daripada hanya mencari dalam kerangka tetap.