Smartare träning: AI lär sig var i sitt resonemang den byter uppfattning

arXiv cs.AI

Forskare har hittat ett sätt att göra förstärkningsinlärning (en träningsmetod där modellen belönas för rätta svar) mer effektiv genom att identifiera exakt var i en tankegång modellen ändrar sin uppfattning – och placera kontrollpunkter just där. Metoden, kallad 'belief-shift branching', förbättrade matematikresultaten för OLMo-3-7B med 2,6 poäng totalt och hela 2,9 poäng på det svåra AIME 2026-provet, samt 6,5 poäng på kodningsuppgifter, jämfört med bästa tidigare metod. Det intressanta är att signalen som avgör var modellen tvekade kostar bara runt 1% extra beräkning – billigt pris för en tydlig förbättring.