norgitov/ trends
Технологии · люди · идеи
RSS
RUEN
К обзору/Daily Papers3 часа назад
ИсследованияDaily Papers

Проверяемое социальное рассуждение для LLM-ассистентов

В этой статье представлено Fuse — многопользовательская симуляционная платформа для оценки социального рассуждения в LLM-ассистентах. Платформа использует целевой агент с скрытой мотивацией, взаимодействующий с другими агентами, включая агент пользователя, чтобы создать проверяемую ground truth для задач социального рассуждения. Исследование применяет Fuse к 12 LLM и выявляет ключевые факторы, влияющие на производительность социального рассуждения.

Открыть первоисточник
СИГНАЛ ИЗ ИСТОЧНИКА
48
голосов источника
Наблюдаем с18 сентября 2026 г.48 голосов источника
Темп интереса0/hпо замерам за 3,02 h
Опубликовано15 сентября 2026 г.Amir Taubenfeld, Zorik Gekhman, Avigail Grinstein-Dabush
ЗА ЦИФРАМИ

Как меняется интерес

Daily Papers

История начинает расти

График появится после повторных замеров. Текущий показатель уже получен из источника.

48 голосов источника

Только реальные замеры. История до подключения источника не восстанавливается.

ЗАЧЕМ ОБРАТИТЬ ВНИМАНИЕ

Эта платформа позволяет контролировать оценку социального рассуждения в LLM, создавая проверяемые сценарии с помощью многопользовательских взаимодействий, что помогает исследователям понять, как LLM справляются с социальными ситуациями с субъективным пользовательским вводом.

Полезная находка?
ПРОДОЛЖИ ИССЛЕДОВАНИЕ

Рядом по теме

Вся тема
Daily Papers

Уверенность приходит из опыта: оценка уверенности на основе опыта от рассуждений до агентов

В статье представлена XConf — метод оценки уверенности в языковых моделях, основанный на накопленном опыте модели. XConf использует прошлые эпизоды, включая задания, рефлексию, уровни уверенности, результаты и уроки, чтобы информировать текущие оценки уверенности через процесс запоминания и рефлексии. Она превосходит существующие методы по дискриминации и калибровке с меньшими вычислительными затратами.

6 дней назадDaily Papers

Может ли MiniMax-H3 рассуждать о физическом мире? Оценка мультимодельной генеративной модели

В этой статье оценивается способность мультимодельной генеративной модели MiniMax-H3 рассуждать о физическом мире. Исследование представляет новую систему оценки физического рассуждения через четыре измерения, используя задачи, требующие интеграции информации по нескольким модальностям. Модель показывает общую успешность 41,97% по 517 экземплярам оценки, при этом рассуждение на основе видео работает лучше всего, а на основе аудио хуже всего.

5 дней назадDaily Papers

LimiX-2: Контекстная механизм сеть для общей структурированной интеллектуальной обработки данных

LimiX-2 - новая модель из семейства LimiX, использующая парадигму Contextual Mechanism Networks (CMNs), предобученная с использованием Context-Conditional Masked Modeling (CCMM). Она фокусируется на изучении совместных представлений процессов генерации данных, а не на предсказании целевых переменных, демонстрируя превосходные результаты на табличных данных и способствуя осознанию причинности.

6 дней назадDaily Papers

Самоэволюционирующийся поисковый индекс

В статье представлено SELF-INDEX, фреймворк, позволяющий индексу самовосстанавливаться без участия человека, диагностируя проблемы поиска, изменяя ключи индекса и проверяя изменения. Он также использует симулятор запросов для активного поиска новых требований к поиску, улучшая производительность в различных корпусах и приложениях.

4 дня назадDaily Papers

ScienceIDE: Превращение мирового научного кода в среды, обучаемые агентами

В статье представлен ScienceIDE, фреймворк, преобразующий научные репозитории кода в программируемые среды для обучения научных агентов. Эти среды позволяют генерировать задачи, их выполнение и верификацию, поддерживая сверточную настройку и усиление обучения. Подход показывает улучшения в восстановлении научного кода и общих задач.

5 дней назадDaily Papers

Пересмотр обучения критика в PPO: понимание и смягчение плоскостности значений

В статье выявлено явление под названием Value Flattening в критиках Proximal Policy Optimization (PPO), когда оцененные значения состояний резко меняются, в то время как прогнозы критика остаются плоскими. Предложена методика SP^3O, которая применяет функцию потерь значения только к нескольким состояниям на ответ, демонстрируя улучшения в обучении политики.

5 дней назад