透過判斷預測任務進行 AI 基準測試
本文探討使用「判斷預測任務」（即 AI 預測特定專家對主觀問題的回答）作為基準測試概念推理能力的方法。文中強調了在主觀領域中，相較於客觀基準數據集，判斷預測面臨著雜訊與意見分歧的挑戰。
Search
Tag: #reasoning112 results
🤖
給 AI 一個 1901 年的世界，它能發明相對論嗎？
本文探討若 AI 僅接受 1905 年前的知識訓練，是否能推導出相對論。結論指出，儘管 AI 擅長模式匹配，但缺乏人類挑戰基礎科學範式的能力。
透過自我反思程式搜尋提升長文本推理能力
Apple 研究人員探討如何透過優化上下文互動程式的選擇，來提升遞迴語言模型 (RLMs) 的效能。該研究旨在解決語言模型在長文本場景中，難以可靠地提取與推理資訊的核心挑戰。
Yann LeCun 正開發更具靈活性的下一代 AI 系統
頂尖 AI 研究員 Yann LeCun 正致力於一家新創公司，專注於開發更靈活且具備更強能力的 AI 系統。此舉旨在解決當前 AI 在智慧與推理能力上的侷限性。
Seed2.0：提升真實世界複雜度與推理智慧
Seed2.0 是一個旨在解決複雜、長跨度任務的新型模型系列，專注於長尾知識與指令遵循。它引入了一套基於真實用戶需求的可靠評估系統，以縮小基準測試與實際應用之間的差距。
多代理協商機制提升法律推理任務表現
本研究探討受法庭程序啟發的多代理協商 (MAD) 框架，旨在增強大型語言模型 (LLM) 的法律推理能力。研究顯示，透過多視角批判性思考，這些框架能解決單一模型無法處理的複雜法律案件。
加速回報與科學的質性引擎
本文指出，儘管技術加速（Kurzweil 的論點）提升了基礎設施能力，但仍無法解決科學發現的核心挑戰。作者提出了「科學質性引擎」（QES），旨在彌合定量 AI 能力與人類概念推理能力之間的差距。
CrowdMath：用於協作數學推理的新數據集
CrowdMath 是一個包含 164 個經專家標註的協作數學研究討論鏈的新數據集。它旨在彌補解決明確定義問題與開放式問題解決過程中複雜、迭代過程之間的差距。
AI 模型同台競技：挑戰北京與上海高考作文
各大 AI 模型正接受 2026 年全國高考作文題目的測試，包含北京卷與上海卷。評估重點在於這些模型如何處理科技發展與社會進步等複雜議題。
視覺圖表支架增強大型語言模型的結構化推理能力
本研究探討將視覺圖表心智圖作為大型語言模型（LLM）內部推理支架的應用。研究發現，在多跳推理任務中，視覺圖表引導的效果顯著優於將結構扁平化為文字的處理方式。