Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

КОМПАНИЯ · ENTITY #8553

MuSiQue

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

4

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Моделирование динамики рассуждений LLM c помощью структур T/E/S (arXiv:2611.23749v1)

В статье на arXiv предложена схема T/E/S (текст, локальные события, интервалы активности) для представления временной структуры рассуждений LLM. На задачах рассуждения и поиска информации добавление событий и интервалов улучшает прогнозирование следующего результата в 70 из 76 групп для Transformer и в 74 из 76 для Qwen с LoRA; длительность интервала и предшествующие события связаны с переходами, а сохранение истории событий через границы интервалов улучшает предсказание. Авторы формализуют задачи распределения бюджета и условного продолжения, доказывают сложность подсчёта при явных кодировках, выводят условия для сертификации решений и показывают, что в конечных процессах границы, аннулирующие общую массу продолжений, восстанавливают оптимальные действия при снижении среднего CPU-времени вывода на 77.7%. Компактный структурный наблюдатель уменьшает Brier loss с 0.0836 до 0.0756 на 71 отложенном вопросе из HotpotQA и MuSiQue, однако аудит аннотаций выявил значительные ошибки в наблюдателе, что отделяет вычислительные результаты от семантической валидации его признаков.

6.0

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. · arXiv cs.AI

Исследование: рационалы в основном влияют на суждения верификатора, а не на точность ответов

Авторы предлагают diagnostic «message-intervention», фиксирующий доказательства и кандидата на ответ и меняющий только рационал, передаваемый от рассуждающего модуля к верификатору. На 400 примерах из MuSiQue, HotpotQA и 2WikiMultiHopQA с DeepSeek в роли генератора и верификатора авторы показывают, что правдивые рационалы почти не повышают точность ответов по сравнению с отсутствием рационала, тогда как искажённые рационалы значительно меняют оценки поддержки (10–22% при «слепом» промпте, 34–55% при явной проверке рационала), а финальные ответы меняются значительно реже (2–30%); аудиты людей показывают случаи чрезмерного доверия модели.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья демонстрирует работу RLVR (с GRPO) на Qwen3.5-0.8B без дистилляции

Препринт на arXiv применяет Reinforcement Learning with Verifiable Rewards (RLVR) с Group Relative Policy Optimization (GRPO) и инструментом поиска в Wikipedia для тренировки Qwen3.5-0.8B на MuSiQue и наборе из семи QA-бенчмарков. Лучший запуск показал 0.352 в среднем по exact-match (против 0.092 у нетренированной модели), рост в 3.8× без дистилляции; авторы отмечают, что форма вознаграждения важна — разреженное exact-match-вознаграждение оказывается худшим для этой шкалы модели.

6.0