# روش CALR دقت استدلال ریاضی را ۲۶ واحد درصد افزایش داد

> بر اساس مقاله‌ای که ۷ اکتبر ۲۰۲۶ منتشر شد، روش جدید «استدلال نهفته پیوسته و لنگرشده» (CALR) عملکرد را در پنج معیار سنجش ریاضی بهبود می‌دهد.

Oossa · 2026-10-07 · https://oossa.com/fa/calr-method-boosts-math-reasoning-accuracy-by-26-points

پژوهشگران به سرپرستی ژائویانگ وی، روش CALR را معرفی کردند؛ روشی برای پیوند دادن حالت‌های نهفته مدل با نظارت بر پاسخ‌ها. این روش، روندهای استدلال را به بلوک‌های نهفته فشرده می‌کند که همچنان به مسئله اصلی مرتبط می‌مانند. آزمایش‌ها روی پنج معیار سنجش استدلال ریاضی نشان داد که CALR با بودجه محاسباتی یکسان، ۲۶ واحد درصد بهتر از روشی مشابه مبتنی بر استدلال نهفته پیوسته عمل کرد. مقاله در ۷ اکتبر ۲۰۲۶ در arXiv منتشر شد.

## حقایق

- افزایش دقت ۲۶٫۰ واحد درصدی در مقایسه با روشی مشابه برای استدلال نهفته پیوسته
- مقاله در ۷ اکتبر ۲۰۲۶ در arXiv منتشر شد

## چرا مهم است

این پیشرفت نشان می‌دهد سامانه‌های هوش مصنوعی می‌توانند بدون محاسبات بیشتر، مسائل ریاضی را با اطمینان بیشتری حل کنند؛ قابلیتی که می‌تواند به ابزارهای آموزشی کمک کند.

## منابع و ارجاع‌ها

1. [CALR: Continuous Anchored Latent Reasoning via Render-of-Thought Compression](https://arxiv.org/abs/2610.07175) – arXiv cs.CV, 2026-10-07

آخرین به‌روزرسانی: 2026-10-07