Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

ТЕМА · ENTITY #9365

mathematical reasoning

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

5

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

LProp: распространение скрытой неопределённости для уточнения убеждений в агентах на основе LLM

Статья (arXiv:2611.23564v1) предлагает Latent Uncertainty — оцениватель в латентном пространстве — и метод LProp, который обновляет унаследованные распределения ответов с помощью латентных представлений и новых доказательств без дополнительной выборки траекторий. При проверке на задачах множественного выбора, да/нет, открытых ответов и математического рассуждения метод превосходит базовые подходы по большинству метрик и демонстрирует наименьшее среднее потребление токенов вывода в восьми настройках распространения.

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

DELA: управляемые правки черновиков для диффузионных языковых моделей (arXiv:2610.32096v1)

В работе представлен DELA (Diffusion Editing Language Adapter) — подключаемый контроллер, который обеспечивает явные правки черновиков в замороженных диффузионных языковых моделях с помощью четырёх действий (Insert, Delete, Remask, Stop). DELA использует двухфазную декодировку — быстрый добавочный этап с повторным использованием KV-cache и фазу глобальной доработки — и поэтапную учебную программу для обучения контроллера; в экспериментах по математическому рассуждению и генерации кода сообщается до 5,5 процентных пунктов выигрыша по сравнению с прямым диффузионным декодированием.

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

CToM: обучение больших моделей предсказывать ответы пользователей и самокорректироваться

В статье на arXiv предлагается Collaborative Theory of Mind (CToM) — метод, при котором модель сначала формирует черновой ответ, предсказывает, как пользователь на него отреагирует, и использует это предсказание для внутренней правки перед окончательной выдачей. В сочетании с group-relative policy optimization (GRPO) и задачей предсказания ответов пользователей CToM повышает результативность совместных задач и экономит взаимодействия в математике, кодинге и написании текстов — например, точность в совместной математической задаче выросла с 74.1% до 79.6% по сравнению с простым GRPO, а число ответов пользователя сократилось на 8% в кодинге и на 17% в написании при равной награде.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

SmartSalesBench: многоточечный бенчмарк для оценки LLM‑агентов продаж против сопротивляющихся персонажей покупателей

SmartSalesBench — новый бенчмарк (arXiv:2610.12975v1) для оценки LLM‑агентов продаж в многоповоротных диалогах (до 20 ходов) с психологически обоснованными персонажами покупателей, проявляющими сопротивление. Набор включает 13 680 сессий по пяти профилям агентов, двенадцати персонажам покупателей и пятнадцати смартфонам, использует RAG для генерации и вводит девять метрик оценки (основные: CR, BRS, RIR) с автоматизированным LLM‑судейством и человеческой валидацией (n=50, κ=0.71, Pearson r=0.81 к BRS).

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Learning What to Skip (LW2S): контрфактуальная оценка вклада для экономных многoагентных LLM-воркфлоу

Статья (arXiv:2609.30734v1) формулирует пропуски компонентов в многoагентных LLM-воркфлоу как задачу контрфактуальной оценки вклада и предлагает метод Learning What to Skip (LW2S). LW2S обучает модели «безопасности» для отдельных действий на основе контролируемых вмешательств по пропуску и с помощью валидации на отложенной выборке и доменно-нативных защит выбирает шаги для пропуска; в экспериментах по математическому рассуждению, тестам с выбором ответа и генерации кода с двумя семействами инструкционных моделей метод снизил записанные токенозатраты при сохранении или улучшении точности полного воркфлоу в исследуемых сценариях.

6.0