GAR通过重采样答案提升TRM推理表现
热点事件持续更新
GAR通过重采样答案提升TRM推理表现
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Maxime Illouz发布了递归推理方法 GAR：它在测试时重采样答案状态 y，而不是像 PTRM 那样扰动推理状态 z；实验显示，这种做法能提高 TRM 的解题表现。每题最多重启 64 次且无需训练或搜索超参数时，TRM 在 Sudoku-Extreme 的成绩从 85.9% 升至 99.4%，在 Pencil Puzzle Bench 验证集从 68.8% 升至 85.6%。 在相同检查点上，GAR 的表现也优于 PTRM，即使 PTRM 使用的计算量是 GAR 的 42 至 197 倍。修订版论文已提供代码和检查点。
AI 根据报道生成 · 48 分钟前更新
最新进展10月28日 12:00
Gated Answer Resampling（GAR）：递归推理中测试时计算应花在哪里报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine LearningGated Answer Resampling（GAR）：递归推理中测试时计算应花在哪里
TRM 对照实验发现，测试时重采样答案状态 y 比扰动推理状态 z 更能挽回失败。GAR 每题最多重启 64 次且无需训练或超参数搜索，使 TRM 在 Sudoku-Extreme 从 85.9% 升至 99.4%、在 Pencil Puzzle Bench 验证集从 68.8% 升至 85.6%；即使 PTRM 使用 42 至 197 倍计算量，GAR 仍表现更好。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。