Ein Forscherteam um Zhaoyang Wei hat CALR vorgestellt, eine Methode, die verborgene Modellzustände mit der Aufsicht über Antworten verknüpft. Sie komprimiert Herleitungen in latente Blöcke, die an die ursprüngliche Aufgabe gebunden bleiben. Bei Tests mit fünf Benchmarks zum mathematischen Schlussfolgern übertraf CALR einen ähnlichen kontinuierlichen latenten Ansatz um 26 Prozentpunkte – bei gleichem Rechenbudget. Die Studie wurde am 7. Oktober 2026 auf arXiv veröffentlicht.
Warum es wichtig ist
Die Verbesserung deutet darauf hin, dass KI-Systeme Matheaufgaben ohne zusätzlichen Rechenaufwand zuverlässiger lösen könnten – ein möglicher Vorteil für Lernangebote.
