🔥 EXAONE Deep: LG врывается в гонку рассуждающих ИИ
На арене появился неожиданный игрок из Кореи — LG, как оказалось, умеет не только в холодильники и телевизоры, но и в ИИ.
EXAONE Deep от LG AI Research — новая линейка моделей (32B, 7.8B и 2.4B параметров), заточенных под математику, научное мышление и программирование. И, судя по бенчмаркам, получается вполне сносно.
• 32B версия работает наравне с такими лидерами, как Qwen 32B, QwQ 32B и даже DeepSeek-R1 671B в CSAT Math.
• Уже доступна на Hugging Face — можно пощупать прямо сейчас.
По бенчмаркам:
• AIME 2024/2025 (американские математические олимпиады) — 32B версия набирает 90 баллов, 7.8B — 83.3.
• Китайский экзамен CSAT 2025 по математике — 94.5 балла у 32B версии.
• GPQA Diamond (PhD-уровень задач по физике, химии, биологии) — 66.1 у 32B.
• LiveCodeBench (кодинг) — стабильно высокие результаты у всех версий.
Оптимизирована под корейский язык.
Требует специальную команду для запуска режима рассуждений в промпте: нужно добавлять
#reasoning #LG #EXAONE
———
@tsingular
На арене появился неожиданный игрок из Кореи — LG, как оказалось, умеет не только в холодильники и телевизоры, но и в ИИ.
EXAONE Deep от LG AI Research — новая линейка моделей (32B, 7.8B и 2.4B параметров), заточенных под математику, научное мышление и программирование. И, судя по бенчмаркам, получается вполне сносно.
• 32B версия работает наравне с такими лидерами, как Qwen 32B, QwQ 32B и даже DeepSeek-R1 671B в CSAT Math.
• Уже доступна на Hugging Face — можно пощупать прямо сейчас.
По бенчмаркам:
• AIME 2024/2025 (американские математические олимпиады) — 32B версия набирает 90 баллов, 7.8B — 83.3.
• Китайский экзамен CSAT 2025 по математике — 94.5 балла у 32B версии.
• GPQA Diamond (PhD-уровень задач по физике, химии, биологии) — 66.1 у 32B.
• LiveCodeBench (кодинг) — стабильно высокие результаты у всех версий.
Оптимизирована под корейский язык.
Требует специальную команду для запуска режима рассуждений в промпте: нужно добавлять
<thought>\n.#reasoning #LG #EXAONE
———
@tsingular
🤔4🔥1
🧩 Claude 4 дебютировал в NYT Connections — первые результаты рассуждающих моделей от Anthropic
Клода прогнали через бенчмарк NYT Connections и он, пока, далеко не на первом месте.
Что за бенчмарк:
651 пазла с добавлением "обманных" слов
Специально усложнили, чтобы подготовиться к выходу o3 от OpenAI
Теперь каждый пазл содержит до 4 дополнительных слов-ловушек
Отдельный зачёт по последним 100 пазлам (защита от "подсматривания" в трейне)
Результаты Claude 4:
Claude Opus 4 Thinking 16K — 11 место (52.7%) — лучший результат среди Claude
Claude Sonnet 4 Thinking 16K — 13 место (41.4%)
Claude Sonnet 4 Thinking 64K — 14 место (39.6%) — интересно, что больший контекст не помог
Claude Opus 4 (no reasoning) — 17 место (34.8%) — без рассуждений получается слабовато
Ключевые наблюдения:
Reasoning решает — версии с рассуждениями показывают +15-20% к точности против "обычных"
Лидерство OpenAI — o1-pro держит первое место (82.5%), o3 на втором (79.5%)
Claude догоняет — Opus 4 Thinking впервые попал в топ-15, но до лидеров ещё далеко
Практические выводы:
Для сложных логических задач выбирайте thinking-версии Claude 4
Размер контекста (16K vs 64K) пока не критичен для reasoning-задач
Claude 4 серьёзно продвинулся в логике, но OpenAI пока не догнал если сравнивать возможности исследователя
Интересная деталь: в сравнении с людьми o1 показывает 98.9% против среднего игрока NYT (71%).
При том, что ведущие игроки платформы достигают 100%.
ИИ уже превзошёл обычных людей, но до абсолютных чемпионов ещё немного не хватает.
#Claude4 #reasoning #benchmarks #Anthropic #NYTCollection
———
@tsingular
Клода прогнали через бенчмарк NYT Connections и он, пока, далеко не на первом месте.
Что за бенчмарк:
651 пазла с добавлением "обманных" слов
Специально усложнили, чтобы подготовиться к выходу o3 от OpenAI
Теперь каждый пазл содержит до 4 дополнительных слов-ловушек
Отдельный зачёт по последним 100 пазлам (защита от "подсматривания" в трейне)
Результаты Claude 4:
Claude Opus 4 Thinking 16K — 11 место (52.7%) — лучший результат среди Claude
Claude Sonnet 4 Thinking 16K — 13 место (41.4%)
Claude Sonnet 4 Thinking 64K — 14 место (39.6%) — интересно, что больший контекст не помог
Claude Opus 4 (no reasoning) — 17 место (34.8%) — без рассуждений получается слабовато
Ключевые наблюдения:
Reasoning решает — версии с рассуждениями показывают +15-20% к точности против "обычных"
Лидерство OpenAI — o1-pro держит первое место (82.5%), o3 на втором (79.5%)
Claude догоняет — Opus 4 Thinking впервые попал в топ-15, но до лидеров ещё далеко
Практические выводы:
Для сложных логических задач выбирайте thinking-версии Claude 4
Размер контекста (16K vs 64K) пока не критичен для reasoning-задач
Claude 4 серьёзно продвинулся в логике, но OpenAI пока не догнал если сравнивать возможности исследователя
Интересная деталь: в сравнении с людьми o1 показывает 98.9% против среднего игрока NYT (71%).
При том, что ведущие игроки платформы достигают 100%.
ИИ уже превзошёл обычных людей, но до абсолютных чемпионов ещё немного не хватает.
#Claude4 #reasoning #benchmarks #Anthropic #NYTCollection
———
@tsingular
👍4❤1
WebSailor: ИИ-агент с «сверхчеловеческим» рассуждением
Команда Alibaba NLP представила WebSailor — методологию обучения ИИ-агентов для сложных информационных задач. Система использует структурированную выборку, маскировку информации и алгоритм DUPO для усиления способностей рассуждения.
Главная особенность — умение систематически снижать неопределенность при навигации по огромным массивам данных. Результаты: 61.1% на бенчмарке GAIA и 54.6% на WebWalkerQA.
WebSailor сравнялся с проприетарными агентами вроде DeepResearch, которые ранее показывали недостижимые для открытых моделей результаты.
Исходный код: GitHub
#WebSailor #reasoning #agents
------
@tsingular
Команда Alibaba NLP представила WebSailor — методологию обучения ИИ-агентов для сложных информационных задач. Система использует структурированную выборку, маскировку информации и алгоритм DUPO для усиления способностей рассуждения.
Главная особенность — умение систематически снижать неопределенность при навигации по огромным массивам данных. Результаты: 61.1% на бенчмарке GAIA и 54.6% на WebWalkerQA.
WebSailor сравнялся с проприетарными агентами вроде DeepResearch, которые ранее показывали недостижимые для открытых моделей результаты.
Исходный код: GitHub
#WebSailor #reasoning #agents
------
@tsingular
🔥5🤔1
Китайская компания Skywork AI выпустила мощную мультимодальную модель R1V3
Skywork AI представила Skywork-R1V3-38B — новую открытую мультимодальную модель с передовыми возможностями визуального рассуждения.
Модель обучена через reinforcement learning и показывает 76.0 баллов на MMMU — это круче, чем Claude Sonnet 3.7, например.
Особенность подхода в том, что модель использует InternVL3-38B как базу, но значительно улучшает reasoning через пост-обучение.
Доступны квантизованные версии от LMStudioCommunity размером от 17 гигов:
https://huggingface.co/lmstudio-community/Skywork-R1V3-38B-GGUF
Полный размер - 80 гигов.
MIT License.
✅ Commercial use permitted
✅ Modification allowed
✅ Distribution allowed
Paper
HuggingFace
Интересно, что китайские разработчики делают акцент именно на chain-of-thought рассуждениях в мультимодальных задачах — это может стать новым стандартом для vision-language моделей.
#Skywork #multimodal #reasoning #Китай
———
@tsingular
Skywork AI представила Skywork-R1V3-38B — новую открытую мультимодальную модель с передовыми возможностями визуального рассуждения.
Модель обучена через reinforcement learning и показывает 76.0 баллов на MMMU — это круче, чем Claude Sonnet 3.7, например.
Особенность подхода в том, что модель использует InternVL3-38B как базу, но значительно улучшает reasoning через пост-обучение.
Доступны квантизованные версии от LMStudioCommunity размером от 17 гигов:
https://huggingface.co/lmstudio-community/Skywork-R1V3-38B-GGUF
Полный размер - 80 гигов.
MIT License.
✅ Commercial use permitted
✅ Modification allowed
✅ Distribution allowed
Paper
HuggingFace
Интересно, что китайские разработчики делают акцент именно на chain-of-thought рассуждениях в мультимодальных задачах — это может стать новым стандартом для vision-language моделей.
#Skywork #multimodal #reasoning #Китай
———
@tsingular
🔥6
NVIDIA выпустила семейство OpenReasoning-Nemotron для решения сложных задач
Четыре модели размером от 1.5B до 32B параметров специально обучены для математики, программирования и естественных наук. Основаны на Qwen2.5 и дообучены на 5 миллионах ответов от DeepSeek R1.
Главная особенность — режим GenSelect, который запускает несколько параллельных генераций и выбирает лучшее решение. В этом режиме 32B модель превосходит O3 (High) на математических и кодовых бенчмарках.
Интересно, что модели обучались только на математических задачах, но способности автоматически перенеслись на код и науку. Все модели доступны под лицензией CC-BY-4.0 для коммерческого и исследовательского использования.
#NVIDIA #reasoning #opensource
------
@tsingular
Четыре модели размером от 1.5B до 32B параметров специально обучены для математики, программирования и естественных наук. Основаны на Qwen2.5 и дообучены на 5 миллионах ответов от DeepSeek R1.
Главная особенность — режим GenSelect, который запускает несколько параллельных генераций и выбирает лучшее решение. В этом режиме 32B модель превосходит O3 (High) на математических и кодовых бенчмарках.
Интересно, что модели обучались только на математических задачах, но способности автоматически перенеслись на код и науку. Все модели доступны под лицензией CC-BY-4.0 для коммерческого и исследовательского использования.
#NVIDIA #reasoning #opensource
------
@tsingular
👍4❤2🔥1
Samsung выпустил рекурсивную модель на 7М параметров, которая обошла DeepSeek-R1 и o3-mini
Tiny Recursive Model от Samsung показал результаты лучше гигантов на ARC-AGI.
Модель в 10 000 раз меньше конкурентов работает по-другому: сначала черновик ответа, потом внутренний цикл самокритики до 6 раз, затем новый черновик. Весь процесс повторяется до 16 циклов.
Результаты:
- Sudoku-Extreme: 87,4% точности
- Maze-Hard: 85,3%
- ARC-AGI-1: 44,6%
- ARC-AGI-2: 7,8%
Получается двуслойная рекурсивная сеть работает лучше больших трансформеров.
Для бизнеса это означает копеечные затраты на инференс вместо аренды GPU-кластеров.
Важное уточнение:
Это не в полной мере nlp
Это решалка тестов.
Возможно ее встроят в LLM как пару дополнительных слоев и это поможет лучше решать сложные задачи и использовать инструменты
SLM + TRM будут работать как LLM
Или TRM станет частью MoE
В любом случае экономия.
Кто умеет читать,- читать тут
Похоже кто-то все-таки навайбкодил GPT-6 :)
#Samsung #TRM #Reasoning
------
@tsingular
Tiny Recursive Model от Samsung показал результаты лучше гигантов на ARC-AGI.
Модель в 10 000 раз меньше конкурентов работает по-другому: сначала черновик ответа, потом внутренний цикл самокритики до 6 раз, затем новый черновик. Весь процесс повторяется до 16 циклов.
Результаты:
- Sudoku-Extreme: 87,4% точности
- Maze-Hard: 85,3%
- ARC-AGI-1: 44,6%
- ARC-AGI-2: 7,8%
Получается двуслойная рекурсивная сеть работает лучше больших трансформеров.
Для бизнеса это означает копеечные затраты на инференс вместо аренды GPU-кластеров.
Важное уточнение:
Это не в полной мере nlp
Это решалка тестов.
Возможно ее встроят в LLM как пару дополнительных слоев и это поможет лучше решать сложные задачи и использовать инструменты
SLM + TRM будут работать как LLM
Или TRM станет частью MoE
В любом случае экономия.
Кто умеет читать,- читать тут
Похоже кто-то все-таки навайбкодил GPT-6 :)
#Samsung #TRM #Reasoning
------
@tsingular
🔥12👍3😁2🤯2❤1
🧠 ReasoningBank от Google: как AI учится на своих ошибках
Как работает ReasoningBank:
1. Структурированная память (не просто логи, а выводы)
Вместо сохранения "задача провалилась на шаге 3" система извлекает стратегию в виде структуры:
Заголовок: "Приоритет проверки учётных данных"
Описание: "При работе с персональными данными сначала проверяй разделы пользовательского аккаунта"
Содержание: конкретные шаги рассуждения + почему предыдущий подход не сработал
2. Цикл обучения:
3. Обучение на ошибках:
Анализирует почему провалилось и создаёт правило "не делать так"
MaTTS: масштабирование через опыт
Система запускает 5 попыток параллельно и дальше сравнивает их и выявляет общие паттерны успешных решений.
В последовательном режиме агент решает задачу, критикует себя и переделывает, а промежуточные заметки тоже сохраняются в память.
Результаты:
Без памяти масштабирование даёт минимальный прирост с 39% до 40.6%.
С ReasoningBank результат растёт с 49.7% до 55.1%. Хорошая память направляет исследование в правильном направлении, а больше попыток повышают качество памяти.
В итоге система показывает рост успешности на 34% и сокращение шагов на 16% без дообучения модели.
Получается в итоге, что система самостоятельно эволюционирует от простых правил до сложных композитных стратегий с перекрёстной проверкой требований.
Отлично дополняет новость про китайский ROMA
#Google #Reasoning #Memory
———
@tsingular
Как работает ReasoningBank:
1. Структурированная память (не просто логи, а выводы)
Вместо сохранения "задача провалилась на шаге 3" система извлекает стратегию в виде структуры:
Заголовок: "Приоритет проверки учётных данных"
Описание: "При работе с персональными данными сначала проверяй разделы пользовательского аккаунта"
Содержание: конкретные шаги рассуждения + почему предыдущий подход не сработал
2. Цикл обучения:
Новая задача → Поиск похожих кейсов в памяти →
Применение найденных стратегий → Выполнение →
Самооценка (успех/провал) → Извлечение урока →
Добавление в ReasoningBank
3. Обучение на ошибках:
Анализирует почему провалилось и создаёт правило "не делать так"
MaTTS: масштабирование через опыт
Система запускает 5 попыток параллельно и дальше сравнивает их и выявляет общие паттерны успешных решений.
В последовательном режиме агент решает задачу, критикует себя и переделывает, а промежуточные заметки тоже сохраняются в память.
Результаты:
Без памяти масштабирование даёт минимальный прирост с 39% до 40.6%.
С ReasoningBank результат растёт с 49.7% до 55.1%. Хорошая память направляет исследование в правильном направлении, а больше попыток повышают качество памяти.
В итоге система показывает рост успешности на 34% и сокращение шагов на 16% без дообучения модели.
Получается в итоге, что система самостоятельно эволюционирует от простых правил до сложных композитных стратегий с перекрёстной проверкой требований.
Отлично дополняет новость про китайский ROMA
#Google #Reasoning #Memory
———
@tsingular
🔥7✍4⚡1
Ant Group выложили в опенсорс триллионник Ring-2.5-1T
Еще один подарок на Китпйский Новый год, на этот раз от Ant Group (из экосистемы Alibaba).
Они выкатили Ring-2.5-1T — специализированный Reasoning-движок на базе архитектуры MoE (Mixture of Experts).
🔹 Что внутри: Модель на триллион параметров, заточенная под сложные рассуждения (CoT), математику и код.
🔹 Главный ход: Это опенсорс. Пока на Западе обсуждают закрытые API и безопасность, китайцы просто заливают рынок тяжелыми весами, доступными для дообучения.
🧠⚡️ Qwen4 и Deepseek 4 когда? :)
#AntGroup #OpenSource #Reasoning #Китай
------
@tsingular
Еще один подарок на Китпйский Новый год, на этот раз от Ant Group (из экосистемы Alibaba).
Они выкатили Ring-2.5-1T — специализированный Reasoning-движок на базе архитектуры MoE (Mixture of Experts).
🔹 Что внутри: Модель на триллион параметров, заточенная под сложные рассуждения (CoT), математику и код.
🔹 Главный ход: Это опенсорс. Пока на Западе обсуждают закрытые API и безопасность, китайцы просто заливают рынок тяжелыми весами, доступными для дообучения.
🧠⚡️ Qwen4 и Deepseek 4 когда? :)
#AntGroup #OpenSource #Reasoning #Китай
------
@tsingular
1👍14🔥2
Forwarded from Mashkka про Data Science
⌛️ Встречаем GigaChat 3.5 Reasoning — модель научилась рассуждать!
Сегодня коллеги выпустили новую GigaChat 3.5 Reasoning, которая умеет не просто отвечать, но рассуждать — один из важнейших навыков современных LLM теперь и в GigaChat.
Модель последовательно разбирает задачу на этапы, строит план, проверяет промежуточные результаты и исправляет собственные ошибки. Всё как у хорошего исследователя, только в разы быстрее. На нашей новой текстовой версии бенчмарка MERA модель заняла 13 место.
👉Прим. А про обновление бенчмарка можно прочитать тут.
Такой режим стал возможен благодаря специальному обучению и собственной архитектуре с технологией линейного внимания — она помогает эффективно работать с длинным контекстом и не терять нить рассуждения. Подробнее о процессе обучения модели и результатах коллеги расписали в статье на Хабре.
Приятный бонус: GigaChat 3.5 Reasoning тратит токены заметно экономнее зарубежных аналогов. Например, на математике — в среднем на 37% меньше, чем DeepSeek V4 Flash Preview. А это и скорость, и бюджет.
Что по бенчмаркам:
📈 IFBench — с 44 до 77 баллов
📈 Natural Plan — с 64 до 80 баллов
📈 Live Code Bench v6 — с 56 до 85 баллов
📈 MERA — 13 место
Попробовать модель в деле можно прямо сейчас, включив функцию «Рассуждение» в ГигаЧате. А забрать модель в свои проекты можно по ссылкам:
🔗 Hugging Face
🔗 GitVerse
#gigachat #reasoning #ai #opensource #нейросети
Сегодня коллеги выпустили новую GigaChat 3.5 Reasoning, которая умеет не просто отвечать, но рассуждать — один из важнейших навыков современных LLM теперь и в GigaChat.
Модель последовательно разбирает задачу на этапы, строит план, проверяет промежуточные результаты и исправляет собственные ошибки. Всё как у хорошего исследователя, только в разы быстрее. На нашей новой текстовой версии бенчмарка MERA модель заняла 13 место.
👉Прим. А про обновление бенчмарка можно прочитать тут.
Такой режим стал возможен благодаря специальному обучению и собственной архитектуре с технологией линейного внимания — она помогает эффективно работать с длинным контекстом и не терять нить рассуждения. Подробнее о процессе обучения модели и результатах коллеги расписали в статье на Хабре.
Приятный бонус: GigaChat 3.5 Reasoning тратит токены заметно экономнее зарубежных аналогов. Например, на математике — в среднем на 37% меньше, чем DeepSeek V4 Flash Preview. А это и скорость, и бюджет.
Что по бенчмаркам:
📈 IFBench — с 44 до 77 баллов
📈 Natural Plan — с 64 до 80 баллов
📈 Live Code Bench v6 — с 56 до 85 баллов
📈 MERA — 13 место
Попробовать модель в деле можно прямо сейчас, включив функцию «Рассуждение» в ГигаЧате. А забрать модель в свои проекты можно по ссылкам:
🔗 Hugging Face
🔗 GitVerse
#gigachat #reasoning #ai #opensource #нейросети
🔥16✍2🆒2⚡1❤1
Media is too big
VIEW IN TELEGRAM
А вот ещё интересное нашёл в продолжение предыдущей темы про математический потолок масштабирования LLM.
Если делать модель шире, глубже и дольше учить становится всё дороже, то следующий очевидный резерв — test-time compute: тратить больше вычислений уже непосредственно при решении задачи.
Но тут возникает следующий вопрос: а на что именно их тратить?
Обычно модель просто генерирует много вариантов ответа, а потом выбирается лучший.
Работа Refining Over Resampling предлагает другую схему:
8 независимых решений → критика каждого → исправление → несколько таких циклов → голосование.
Причём генератор, критик и корректор — одна и та же модель, без отдельного reward model.
Даже на Qwen2.5-1.5B получили таким образом приличный результат:
MATH500: 29,6% → 58,0%
AMC: 25,0% → 32,5%
Проще говоря: вместо того чтобы 8 раз спросить модель и выбрать самый популярный ответ, можно заставить её несколько раз проверить собственные решения, найти ошибки, исправить их и только потом выбирать итоговый вариант.
То есть дополнительные вычисления можно тратить не только на большее количество попыток, но и на повышение качества уже найденных решений.
Чем-то, кстати, напоминает рекурсивный анализ Астры.
А дальше начинается уже инженерия: Best-of-N, деревья поиска, PRM, sandbox, отсечение плохих веток.
И тут возможен следующий этап масштабирования, - не модель и обучение, а сам процесс решения задачи:
поиск → проверка → исправление → повтор.
Возможно, после потолка pre-training следующий большой резерв лежит именно здесь.
📎 Refining Over Resampling
пост marfin про Test-Time Compute
#TestTimeCompute #Reasoning #AIResearch
———
@tsingular
Если делать модель шире, глубже и дольше учить становится всё дороже, то следующий очевидный резерв — test-time compute: тратить больше вычислений уже непосредственно при решении задачи.
Но тут возникает следующий вопрос: а на что именно их тратить?
Обычно модель просто генерирует много вариантов ответа, а потом выбирается лучший.
Работа Refining Over Resampling предлагает другую схему:
8 независимых решений → критика каждого → исправление → несколько таких циклов → голосование.
Причём генератор, критик и корректор — одна и та же модель, без отдельного reward model.
Даже на Qwen2.5-1.5B получили таким образом приличный результат:
MATH500: 29,6% → 58,0%
AMC: 25,0% → 32,5%
Проще говоря: вместо того чтобы 8 раз спросить модель и выбрать самый популярный ответ, можно заставить её несколько раз проверить собственные решения, найти ошибки, исправить их и только потом выбирать итоговый вариант.
То есть дополнительные вычисления можно тратить не только на большее количество попыток, но и на повышение качества уже найденных решений.
Чем-то, кстати, напоминает рекурсивный анализ Астры.
А дальше начинается уже инженерия: Best-of-N, деревья поиска, PRM, sandbox, отсечение плохих веток.
И тут возможен следующий этап масштабирования, - не модель и обучение, а сам процесс решения задачи:
поиск → проверка → исправление → повтор.
Возможно, после потолка pre-training следующий большой резерв лежит именно здесь.
📎 Refining Over Resampling
пост marfin про Test-Time Compute
#TestTimeCompute #Reasoning #AIResearch
———
@tsingular
❤12✍9⚡5🆒3💯1