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

robot
Geração de resumo em curso
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, ajuste supervisionado usando um curso de perplexidade reversa para incorporar uma busca rigorosa por provas e comportamento de auto-verificação;
depois, expandir esses comportamentos através de aprendizagem por reforço em duas fases (de aprendizagem por reforço com recompensas verificáveis para aprendizagem por reforço de nível de prova);
por fim, melhorar o desempenho por escalonamento durante a testagem.
A equipe de pesquisa aplicou o método ao modelo backbone 30B-A3B, usando cerca de 340 mil trajetórias de 8K tokens para ajuste supervisionado, seguido de 200 passos de aprendizagem 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 conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
  • Recompensa
  • 6
  • 2
  • Partilhar
Comentar
Adicionar um comentário
Adicionar um comentário
NoSleepBridge
· 4h atrás
Após o treinamento, essa metodologia pode ser copiada por outros campos?
Ver originalResponder0
ExitLiquidityStan
· 4h atrás
O mecanismo de autoavaliação é fundamental, e muitos modelos carecem exatamente disso
Ver originalResponder0
NftsOutsideTheTidalLine
· 4h atrás
340.000 trajetórias alimentadas, RL apenas 200 passos, a eficiência é impressionante
Ver originalResponder0
PineNeedlesAndColdWind
· 4h atrás
Finalmente alguém que considera a busca por provas como uma competência central, o caminho está certo
Ver originalResponder0
MirrorPetals
· 4h atrás
Também é possível fazer a olimpíada de física? Essa capacidade de generalização realmente é inesperada
Ver originalResponder0
SudoSoul
· 4h atrás
Nível de ouro do IMO... Será que no futuro as competições terão uma categoria para humanos e outra para IA?
Ver originalResponder0
  • Fixado