arxiv Moonshot AI (arXiv) · há 486 d

Seed1.5-Thinking usa aprendizado por reforço para melhorar o raciocínio

Traduzido do English → Português (BR)

Pesquisadores apresentam o Seed1.5-Thinking, um modelo Mixture-of-Experts com 20B de parâmetros ativados e 200B totais que raciocina antes de responder. O método alcança 86.7 no AIME 2024, 55.0 no Codeforces e 77.3 no GPQA, demonstrando fortes capacidades de raciocínio em STEM e programação.

Supera o DeepSeek R1 em 8% na taxa de vitória em tarefas não relacionadas ao raciocínio.
Desenvolve dois benchmarks internos, BeyondAIME e Codeforces, para avaliar o raciocínio generalizado.

O modelo demonstra generalização notável em diversos domínios, indicando aplicabilidade mais ampla além de tarefas puras de raciocínio.

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

Benchmarks

Benchmark	Modelo	Pontuação
AIME 2024	Seed1.5-Thinking	86.7%
GPQA Diamond	Seed1.5-Thinking	77.3%

Ler original

Douyin lança modelo de incorporação multimodal DME com desempenho de ponta

O Douyin publicou o relatório técnico de seu modelo Multimodal Embedding (DME), que combina pré-treinamento contrastivo em larga escala com raciocínio latente para alcançar forte discriminação e eficiência.

media Don't Worry About the Vase · há 5 d · 5 visualizações

Astra da OpenAI resolve 10 grandes problemas abertos de matemática

A OpenAI divulgou os resultados de seu modelo interno não lançado, o Astra, que conseguiu resolver dez problemas abertos significativos em matemática. As soluções foram geradas pelo modelo e posteriormente formalizadas em certificados Lean por pesquisadores humanos.

blog Simon Willison · há 8 d · 12 visualizações

Modelo Astra da OpenAI resolve dez problemas matemáticos de longa data usando GPT-5.6 Sol

A OpenAI lançou soluções para dez problemas de matemática e ciência da computação teórica que não tinham visto progresso em seus resultados principais por pelo menos uma década, usando uma versão interna de seu próximo modelo principal, Astra.

arxiv arXiv cs.AI · há 17 d · 1 visualização

PoTRE apresenta estrutura multiagente heterogênea para raciocínio em tempo de teste

Os autores apresentam o PoTRE (Poly-Topological Reasoning Ensembles), uma estrutura projetada para abordar as limitações da solicitação padrão de fluxo único em tarefas complexas de raciocínio. O PoTRE desacopla a inferência em quatro agentes distintos: um Agente de Refinamento Adversarial, um Agente de Planejamento Estratégico Hierárquico, um Agente de Busca Espectral e um Agente de Cadeia Direta.

arxiv arXiv cs.AI · há 24 d

Interação profunda permite correção precisa de erros de raciocínio de LLM por humanos

Os autores propõem o Deep Interaction, um método eficiente de interação humano-IA projetado para corrigir erros de raciocínio em modelos de linguagem grandes sem exigir a regeneração completa da resposta. Este mecanismo permite que os usuários editem diretamente a resposta original do Chain-of-Thought, preservando os passos corretos enquanto consertam os erros.