Tässä on tämän viikon Ritual Research Digest, uutiskirje, joka kattaa viimeisimmät tiedot LLM:ien maailmasta ja Crypto x AI:n risteyskohdasta. Viikoittain julkaistaan satoja lehtiä, joten on mahdotonta pysyä ajan tasalla uusimmasta uutisesta. Me teemme lukemisen, jotta sinun ei tarvitse.

DeepSeekMath-V2: Kohti itsevarmennettavaa matemaattista päättelyä Tässä artikkelissa esitellään DSMath-V2, malli, joka on koulutettu deepseek-3.2-exp:llä luonnollisen kielen todistamiseen matematiikassa. Sukupolvien varmennuskuilu on merkittävä este epäviralliselle todistamiselle.

He kouluttavat ensin mallin varmentajan asiantuntijaannotaatioiden avulla arvioidakseen sekä vastausten että analyysin oikeellisuuden. Tätä varmentajaa käytetään lopullisen todistajamallin kouluttamiseen, joka sekä kirjoittaa todistuksia että analysoi niiden oikeellisuuden. He saavuttivat kultaa IMO 2025 -kilpailussa.

Artificial Hivemind: Kielimallien avoin homogeenisuus (ja sen yli) Artikkeli esittelee INFINITY-CHATin, 26 000 todellisen kyselyn aineiston, joka hyväksyy useita vastauksia. Tämän avulla he tutkivat mallien sisäistä ja inter-mallitilan romahdusta 70+ LM:ssä.

He paljastavat keinotekoisen pesämielivaikutuksen mallin sisäisellä toistolla, jossa malli tuottaa toistuvasti samankaltaisia tuloksia, sekä mallien välisen homogeenisuuden, jossa eri mallit yhdistyvät samankaltaisiin ideoihin pienin ilmaisumuutoksin. Tämä herättää kysymyksiä mallien monimuotoisuudesta.

Piilevä yhteistyö moniagenttijärjestelmissä Työ esittelee latent MAS:n, kokonaisvaltaisen yhteistyökehyksen, joka toimii jatkuvassa latenttitilassa. Suunnittelu yhdistää sekä piilevän ajattelun tuottamisen että agenttien välisen latentin muistinsiirron.

LatentMAS perustuu päättelyn, ilmaisukykyyn, viestinnän uskollisuuteen ja yhteistyön monimutkaisuuteen. Sekä peräkkäisissä että hierarkkisissa MAS-asetuksissa, Qwen 3(4B, 8B ja 14B), LatentMAS päihittää tekstipohjaiset MAS-peruslinjat, parantaen tarkkuutta ja vähentäen tulostokenien käyttöä.

ToolOrchestra: Älykkyyden nostaminen tehokkaan mallin ja työkalujen orkestroinnilla Kirjoittajat ehdottavat orkestrointiparadigmaa, jossa älykkyys syntyy yhdistelmäjärjestelmästä. Orkestrointimalli kutsuu oikeat työkalut oikeassa järjestyksessä tehtävää varten.

ToolOrchestran avulla 8B-malli koulutetaan RL:llä päättämään, milloin ja miten muita LM:iä ja työkaluja kutsutaan käyttöön. Palkinnot tasapainottavat oikeellisuuden, tehokkuuden ja linjauksen käyttäjän mieltymysten kanssa. HLE:llä Orchestrator ylittää aiemmat menetelmät huomattavasti pienemmillä laskentakustannuksilla.

Seuraa meitä @ritualdigest saadaksesi lisätietoja kaikesta krypto x AI -tutkimuksesta ja @ritualnet oppia lisää siitä, mitä Ritual rakentaa.