Une équipe de chercheurs dirigée par Zhaoyang Wei a présenté CALR, une méthode qui relie les états cachés d’un modèle à la supervision des réponses. Elle condense les raisonnements en blocs latents qui restent liés au problème d’origine. Lors de tests sur cinq benchmarks de raisonnement mathématique, CALR a surpassé une méthode similaire fondée sur le raisonnement latent continu de 26 points de pourcentage, à budget de calcul égal. L’étude a été publiée sur arXiv le 7 octobre 2026.
Pourquoi c'est important
Cette amélioration laisse penser que les systèmes d’IA peuvent résoudre des problèmes de maths plus fiablement sans calcul supplémentaire, ce qui pourrait profiter aux outils pédagogiques.
