Модель NVIDIA AVO показала идеальный результат на бенчмарке ARC-AGI-3. Она успешно прошла все 183 уровня в 25 публичных средах без каких-либо инструкций, явных правил или заявленных целей.
Вызов NVIDIA Nemotron Model Reasoning Challenge призвал сообщество Kaggle исследовать методы, повышающие точность рассуждений в рамках общих ограничений: открытые модели, бенчмарки и инфраструктура. К завершению конкурса более 5000 активных участников из 4000 команд подготовили тысячи заявок.
Исследователи NVIDIA Иван Сорокин и Жан-Франсуа Пуже выиграли Kaggle ARC Prize 2025, заняв первое место в публичном рейтинге с результатом 27,64% на бенчмарке ARC-AGI-2. Их решение, названное NVARC, использовало дообученную модель размером 4B, которая превзошла более крупные модели при стоимости всего 20 центов за задачу.
NVIDIA выпустила свою архитектуру AVO, которая показывает идеальный результат на бенчмарке ARC-AGI-3. Система предназначена для поддержки автономных агентов с длительным горизонтом планирования за счет управления контекстом, использованием инструментов и восстановлением состояния.
Новый метод, называемый probe-and-refine tuning, использует синтетические пробы исправления ошибок для итеративного улучшения файлов руководства репозитория с помощью одноразовых вызовов LLM, без циклов агентов или использования инструментов. На SWE-bench Verified он достигает среднего коэффициента разрешения 33,0% — на 14,5 процентных пункта выше начального статического базового знания — что свидетельствует о расширении охвата, а не точности исправлений. Метод позволяет агентам эффективно использовать большие бюджеты шагов, и производительность остается стабильной при различных моделях, при наличии достаточного диагностического вывода.
QMFOL — это автоматизированная система, генерирующая задачи логического мышления на монадическом первом порядке с количественной сложностью. Она создает 2880 экземпляров тестов на 960 конфигурациях, оценивая шесть больших моделей логического мышления и две большие языковые модели, демонстрируя снижение производительности и рост вычислительных затрат при росте логической сложности.
Мы используем cookie для аналитики и улучшения сайта. Вы можете принять или отклонить аналитические cookie. Политика конфиденциальности