O modelo de inferência pós-treinamento SU-01 alcança desempenho de ouro em questões de nível olímpico

robot
Geração do resumo em andamento
AIMPACT mensagem, 16 de maio (UTC+8), um novo artigo propõe um método sistemático para transformar modelos de raciocínio pós-treinamento em solucionadores de nível olímpico, e treina o modelo SU-01 com base nesse método.
Esse método inclui três etapas: primeiro, usar um curso de perplexidade reversa para ajuste supervisionado, a fim de incorporar comportamentos rigorosos de busca de provas e autoverificação;
depois, expandir esses comportamentos por meio de aprendizado por reforço em duas fases (de aprendizado por reforço com recompensas verificáveis para aprendizado por reforço de nível de prova);
por fim, melhorar o desempenho por meio de escalonamento durante a teste.
A equipe de pesquisa aplicou o método ao modelo backbone 30B-A3B, usando cerca de 340 mil trajetórias de 8K tokens subsidiários para ajuste supervisionado, seguido de 200 passos de aprendizado por reforço, resultando no SU-01.
Esse modelo consegue raciocinar de forma estável em problemas difíceis, com trajetórias que ultrapassam 100 mil tokens, atingindo nível de medalha de ouro em competições como IMO 2025/USAMO 2026 e IPhO 2024/2025, além de demonstrar capacidade de generalização em domínios de raciocínio científico além de matemática e física.
(Fonte: InFoQ)
Ver original
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
  • Recompensa
  • 6
  • 2
  • Compartilhar
Comentário
Adicionar um comentário
Adicionar um comentário
NoSleepBridge
· 8h atrás
Após o treinamento, essa metodologia pode ser copiada por outros campos?
Ver originalResponder0
ExitLiquidityStan
· 8h atrás
O mecanismo de autoavaliação é fundamental, e muitos modelos carecem exatamente disso.
Ver originalResponder0
NftsOutsideTheTidalLine
· 8h atrás
34 mil trajetórias alimentadas, RL apenas 200 passos, a eficiência é impressionante
Ver originalResponder0
PineNeedlesAndColdWind
· 8h atrás
Finalmente alguém colocou a busca por provas como uma habilidade central de treinamento, o caminho está certo
Ver originalResponder0
MirrorPetals
· 8h atrás
Também dá para fazer na Olimpíada de Física? Essa capacidade de generalização realmente é inesperada
Ver originalResponder0
SudoSoul
· 8h atrás
Nível de ouro do IMO... Será que no futuro as competições terão uma categoria para humanos e outra para IA?
Ver originalResponder0