Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

ТЕМА · ENTITY #5489

chain-of-thought

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

6

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Same Task, Different Statement (arXiv:2611.14997v1): когда и как переформулировка помогает LLM решать задачи

Новый препринт на arXiv изучает три типа переформулировок — Decomposition, Typed Reformulation и Concept Reduction — на восьми бенчмарках по математике, логике и коду с восьмью моделями при одинаковом подсказке chain-of-thought. Эффекты большие, но зависят от типа задачи: оракул, выбирающий лучшую переформулировку, повышает точность на +27,6% в среднем; простое обученное правило частично переносит выигрыш (+11,0% на выбранных задачах), тогда как слепая переформулировка может вредить (−5,6% на сопоставимой доле задач).

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Проверка планирования LLM‑агентов с помощью формальной семантики PDDL

Эта статья на arXiv проверяет утверждения о способности LLM‑агентов к планированию, сопоставляя задания на естественном языке с скрытыми моделями PDDL, которые формально определяют применимость действий и достижение целей. В экспериментах по пяти доменам, на четырёх моделях, с шестью стратегиями подсказок и тремя архитектурами агентов лучшая конфигурация решала 78% разрешимых задач офлайн, но лишь 40% онлайн; неразрешимые задачи распознавались менее чем в 10% эпизодов, а более тяжёлые подсказки требовали в 5–22 раза больше токенов без очевидного выигрыша.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Конфигурация ответа определяет, следуют ли модели собственному следу рассуждений или текущим данным

Препринт на arXiv (2610.20805v1) исследует, как сохранённый след рассуждений модели взаимодействует с проверяемыми доказательствами, сравнивая две конфигурации ответа: продолжение собственного мышления модели и отдельный вызов для ответа. На примере gpt-oss, Gemma4 и Qwen3 на наборах HotpotQA и MuSiQue отдельный вызов для ответа повышает следование доказательствам на 29.9–60.6 пунктов по сравнению с продолжением; удаление следа снижает точность в обоих режимах примерно одинаково, но при продолжении модель чаще повторяет устаревший вывод, тогда как отдельный вызов чаще учитывает текущие доказательства. Авторы также показывают, что последняя строка следа приносит основную пользу, «золотые» доказательства помогают больше до записи следа, отвлекающие факторы ослабляют исправление при отдельном вызове, а возобновлённое рассуждение чаще следует текущим доказательствам, поэтому при оценке следов следует указывать и выгоду от следа, и следование доказательствам вместе с конфигурацией ответа.

7.0

RESEARCH · 1 ИСТОЧН. · MIT Technology Review AI

Мнение: современные LLM не обладают тем типом явного рассуждения, что был у AlphaGo

В статье утверждается, что AlphaGo сочетал интуитивную сеть с явным поиском для рассуждений, тогда как современные большие языковые модели являются итеративными предсказателями токенов и не имеют отдельного, проверяемого механизма рассуждения; приёмы вроде chain-of-thought повышают результативность, но не создают независимого эпистемического состояния и могут быть постфактумными оправданиями. Автор выделяет три основных недостатка — отсутствие постоянных проверяемых убеждений, отсутствие разделения знаний и их обработки, а также ненадёжность цепочек рассуждений — и предупреждает, что это ограничивает доверие в критичных областях, таких как медицина и наука.

7.0

RESEARCH · 1 ИСТОЧН. · Apple Machine Learning Research

Узкое место коммуникации: раунд-трип исследование сериализации древовидных выражений в языковых моделях

В работе предложен раунд-трип протокол для оценки того, сколько древовидной структуры арифметических выражений сохраняется при сериализации в текстовые задачи и восстановлении обратно. Авторы протестировали 16 моделей попарно и показали, что канал потерь и асимметричен (смена генератора и извлекателя меняет точность до 60,4 пункта), лучшая пара достигает 92,9% корректности раунд-трипа, по крайней мере 73,6% ошибок возникают на этапе генерации, сложность определяется структурой выражения (число операторов, глубина, право-ветвление) больше, чем семейством моделей, и ≈3 600 целевых примеров дообучения существенно повышают качество открытых моделей (поднимая их выше не дообученного Gemini-3.1-Pro и давая выигрыш в случае несоответствующей доменной лексики).

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Исследование «round-trip» выявляет потери и асимметрию при сериализации древовидных выражений в языковых моделях

Статья на arXiv (arXiv:2609.21509v1) предлагает «round-trip» протокол: одна модель превращает процедурно сгенерированное арифметическое выражение в задачу на слова, другая извлекает выражение обратно, а эквивалентность проверяют символически. При парном оценивании 16 моделей авторы показывают, что канал естественного языка является потерями и асимметричным (замена генерирующей и извлекающей модели меняет точность до 60,4 пункта), большинство ошибок происходит при генерации и сложность определяется структурой дерева, а ~3600 целевых примеров дообучения существенно повышают качество открытых моделей выше невдообученного Gemini-3.1-Pro.

7.0