Zde je tento týden Ritual Research Digest, zpravodaj pokrývající nejnovější ve světě LLM a průnik Crypto x AI. Se stovkami novin publikovaných týdně je nemožné mít přehled o těch nejnovějších. Čteme my, takže vy nemusíte.

RefineBench: Hodnocení schopností zpřesňování jazykových modelů pomocí kontrolních seznamů Tento článek představuje RefineBench, benchmark, který hodnotí schopnosti zdokonalování LM v různých scénářích. Zahrnuje jak volné formy, tak úkoly založené na přesnosti.

Zahrnuje 11 oblastí napříč humanitními vědami, společenskými vědami, právem a STEM obory. To se hodnotí dvěma způsoby: sebezdokonalování a řízené zdokonalování. V prostředí samorafinace i frontier LM skórují relativně nízko, zatímco řízené rafinování je velmi efektivní.

ThetaEvolve: Učení během testů na otevřených problémech Článek navrhuje opensource pipeline pro řešení náročných problémů. Ukazují, že DeepSeek-R1-0528-Qwen3-8B , zlepšuje nejznámější hranice některých otevřených problémů zvažovaných v AlphaEvolve.

RL na ThetaEvolve překonává pouze inferenční běhy napříč 2 OSS modely a 4 náročnými problémy. Ukazují, že model získává netriviální schopnosti, což dokládají lepší výsledky a rychlejší pokrok. Toto zlepšení se projevuje i v dalších úkolech.

Jak RL po tréninku ovlivňuje složení dovedností? Případová studie o odpočítávání Článek zkoumá, jak může RL pomoci modelu naučit se skládat dovednosti pomocí odpočítávání. Rozplétají délku a kompoziční zobecnění.

Zjistí, že: 1) Modely se zobecňují na větší velikosti hádanek 2) Struktura vzoru určuje obtížnost 3) Modely zobecňují na neviditelné vzory Nakonec ukázat, že RL po tréninku pomáhá zobecnění délky a částečné kompoziční generalizaci

DeepSeek-v3.2: Posouvání hranic otevřených velkých jazykových modelů Článek představuje DS-V3.2, který využívá Deepseek s úspornou pozorností ke snížení výpočetní složitosti při zachování výkonu v dlouhých kontextových scénářích.

Pro RL posttrénování používají specializovanou destilaci (expertní modely z domény jsou data destilovaná pro trénování finálního kontrolního bodu) a kombinovaný RL trénink (sloučení uvažování, agenta a lidského sladění v jedné fázi). Trénují speciální model pomocí DSmath-V2, kde podle mého názoru dosahují zlata.

Sledujte nás @ritualdigest pro více informací o všem, co se týká výzkumu crypto x AI, a @ritualnet se dozvědět více o tom, co Ritual buduje.