Каждый день · проверено по первоисточникуВсе выпуски
Применяй ИИ
Новости ИИ и технологий каждый день
Главное

Новый способ поиска решений повысил точность ИИ на 4,96 процентного пункта

Авторы исследования на arXiv предложили новый способ поиска решений для ИИ. Его проверили на 12 наборах математических и поисковых задач.

Метод помог ИИ чаще правильно решать математические задачи в тестах. Улучшение повседневных ответов пока не показано.

Коротко

  • Одна стратегия может получать повторное поощрение за разные формулировки.
  • Небольшая нейросеть помогает совместно учитывать похожие варианты.
  • Авторы проверили метод при решении задач, а также в сочетании с обучением.

Разные формулировки мешают учитывать уже проверенное

MCTS — метод поиска решения через перебор возможных шагов. Эти варианты называют ветвями. Число обращений к ним влияет на выбор следующих шагов.

Обычный метод считает обращения к каждой текстовой ветви отдельно. Одна стратегия в разных формулировках может снова получать поощрение к проверке. Теоретический анализ авторов показывает, что такое дробление может снижать отдачу от поиска.

Новый метод LPC-MCTS меняет только способ подсчёта, который направляет дальнейший поиск. Небольшая нейросеть использует внутренние представления модели. Это позволяет связанным ветвям совместно учитывать накопленную историю поиска.

Замена счётчика улучшила результаты двух моделей

В одной серии опытов авторы взяли модели, уже обученные с LPC-MCTS. Их оставили без изменений и сравнили способы подсчёта при решении задач. Так исследователи отдельно оценили вклад нового счётчика.

На пяти математических наборах средняя точность Qwen2.5-7B выросла на 3,79 процентного пункта. У Qwen3-4B прирост составил 2,71 пункта. Базой сравнения служил обычный MCTS.

Применение метода и при обучении, и при решении дало больший выигрыш относительно обычного MCTS. Для Qwen2.5-7B он составил 4,96 процентного пункта, для Qwen3-4B — 4,37. По сообщению авторов, метод также превзошёл сильные варианты MCTS в семи поисковых тестах.

Что это значит для вас

  • Результат можно улучшить за счёт способа поиска, сохранив обученную модель без изменений.
  • Прирост в процентных пунктах — разница с обычным MCTS. Это не общая доля правильных ответов модели.

Что делать

Пока ничего: следите за дальнейшими результатами авторов LPC-MCTS.

Редакция «Применяй ИИ» · Как мы готовим новости

Ещё по теме