Ny träningsmetod låter AI lära sig av egna misstag utan att behöva tänka om

arXiv cs.AI

Forskare har utvecklat en metod kallad LSPO som tränar språkmodeller att internalisera självkorrigering – alltså att redan från början ge bättre svar istället för att behöva 'tänka om' i efterhand. På modellen Qwen3.5-27B nådde metoden 71,8% korrekthet på matematik-, kod- och logikuppgifter, i nivå med dyrare flerstegsresonemang (71,9%) men 28% snabbare och med 25,8% färre tokens. Det intressanta är att man i princip bakat in reflektionsförmågan i modellen istället för att köra den som ett separat, kostsamt steg.