Här är veckans Ritual Research Digest, ett nyhetsbrev som täcker det senaste i LLM-världen och skärningspunkten mellan Crypto x AI. Med hundratals artiklar som publiceras varje vecka är det omöjligt att hålla sig uppdaterad med det senaste. Vi gör avläsningen så att du inte behöver göra det.

DeepSeekMath-V2: Mot självverifierbar matematisk logik Denna artikel introducerar DSMath-V2, en modell tränad på deepseek-3.2-exp för naturlig språkbevisning inom matematik. Generationsverifieringsgapet är ett stort hinder för informell bevisning.

De tränar först en verifierare för modellen med hjälp av expertanteckningar för att bedöma både svarens korrekthet och analysen. Denna verifierare används för att träna slutprovmodellen, som både skriver bevis och analyserar deras korrekthet. De tar guld enligt IMO 2025.

Artificiellt kollektivmedvetande: Den öppna homogeniteten i språkmodeller (och därefter) Artikeln introducerar INFINITY-CHAT, en datamängd med 26K verkliga frågor som accepterar flera svar. Med detta studerar de kollaps av intra- och inter-modell-modi hos 70+ LM.

De avslöjar en artificiell hivemind-effekt med intra-modellrepetition, där en modell upprepade gånger genererar liknande resultat, och homogenitet mellan modeller, där olika modeller konvergerar kring liknande idéer med mindre fraseringsändringar. Detta väcker frågor om modellmångfald.

Latent samarbete i multiagentsystem Arbetet introducerar Latent MAS, en end-to-end samarbetsram som verkar i kontinuerligt latent rum. Designen integrerar både latent tankegenerering och överföring av latent minne över flera agenter.

LatentMAS bygger på resonemang, uttrycksfullhet, kommunikationstrohet och samarbetskomplexitet. Inom både sekventiella och hierarkiska MAS-inställningar, Qwen 3(4B, 8B och 14B), överträffar LatentMAS textbaserade MAS-baslinjer genom att förbättra noggrannheten och minska användningen av utdatatoken.

ToolOrchestra: Höja intelligens genom effektiv modell- och verktygsorkestrering Författarna föreslår ett orkestreringsparadigm där intelligens uppstår ur ett sammansatt system. En orkestratormodell aktiverar rätt verktyg i rätt ordning för en uppgift.

Med ToolOrchestra tränas en 8B-modell med RL för att avgöra när och hur andra LM:er och verktyg ska anropas. Belöningen balanserar korrekthet, effektivitet och anpassning till användarens preferenser. På HLE överträffar Orchestrator tidigare metoder med mycket lägre beräkningskostnad.

Följ oss @ritualdigest för mer information om allt som rör forskning om krypto x AI, och @ritualnet för att lära dig mer om vad Ritual bygger.