Oto najnowszy Digest Ritual Research, newsletter obejmujący najnowsze wydarzenia w świecie LLM-ów oraz na styku Crypto x AI. Z setkami publikacji co tydzień, niemożliwe jest nadążanie za nowinkami. My czytamy, abyś nie musiał.

RefineBench: Ocena zdolności do udoskonalania modeli językowych za pomocą list kontrolnych Niniejszy artykuł wprowadza RefineBench, benchmark, który ocenia zdolności do udoskonalania modeli językowych w różnych scenariuszach. Zawiera zarówno zadania o swobodnej formie, jak i oparte na dokładności.

Obejmuje 11 dziedzin w zakresie nauk humanistycznych, nauk społecznych, prawa i STEM. Jest to oceniane na 2 sposoby: samodoskonalenie i ukierunkowane doskonalenie. W ustawieniu samodoskonalenia, nawet najnowocześniejsze modele językowe osiągają stosunkowo niskie wyniki, podczas gdy ukierunkowane doskonalenie jest bardzo skuteczne.

ThetaEvolve: Uczenie w czasie testu na otwartych problemach Artykuł proponuje otwartą pipeline do rozwiązywania trudnych problemów. Pokazują, że DeepSeek-R1-0528-Qwen3-8B poprawia najlepsze znane granice niektórych otwartych problemów rozważanych w AlphaEvolve.

RL na ThetaEvolve przewyższa wyniki tylko na podstawie wnioskowania w dwóch modelach OSS i czterech trudnych problemach. Pokazują, że model zyskuje istotne zdolności, co potwierdzają lepsze wyniki i szybszy postęp. Ta poprawa przenosi się nawet na inne zadania.

Jak RL po treningu indukuje kompozycję umiejętności? Studium przypadku na temat odliczania Artykuł bada, w jaki sposób RL może pomóc modelowi nauczyć się komponować umiejętności z pomocą odliczania. Rozdzielają długość i generalizację kompozycyjną.

Oni odkrywają, że: 1) Modele generalizują do większych rozmiarów puzzli 2) Struktura wzoru determinuje trudność 3) Modele generalizują do niewidzianych wzorów Ostatecznie pokazując, że RL po treningu wspomaga generalizację długości i częściową generalizację kompozycyjną

DeepSeek-V3.2: Pushing the Frontier of Open Large Language Models Artykuł wprowadza DS-V3.2, który wykorzystuje rzadką uwagę Deepseek, aby zmniejszyć złożoność obliczeniową przy jednoczesnym zachowaniu wydajności w scenariuszach z długim kontekstem.

W przypadku post-treningu RL stosują destylację specjalistyczną (modele ekspertów dziedzinowych są destylowane z danych, aby wytrenować ostateczny punkt kontrolny) oraz mieszany trening RL (łączenie rozumowania, agenta i dostosowania do ludzi w jednym etapie). Trenują specjalny model używając DSmath-V2, osiągając złoto w IMO.

Śledź nas @ritualdigest, aby uzyskać więcej informacji na temat wszystkiego, co związane z kryptowalutami i badaniami AI, oraz @ritualnet, aby dowiedzieć się więcej o tym, co buduje Ritual.