Onderzoekers onder leiding van Zhaoyang Wei introduceerden CALR, een methode om verborgen modeltoestanden te koppelen aan supervisie op basis van antwoorden. De methode comprimeert afleidingen tot latente blokken die verbonden blijven met het oorspronkelijke probleem. Tests op vijf benchmarks voor wiskundig redeneren lieten zien dat CALR 26 procentpunten beter presteerde dan een vergelijkbare continue latente methode, bij hetzelfde rekenbudget. De paper werd op 7 okt. 2026 op arXiv gepubliceerd.
Waarom het ertoe doet
De verbetering wijst erop dat AI-systemen wiskundige problemen betrouwbaarder kunnen oplossen zonder extra rekenkracht, wat educatieve hulpmiddelen ten goede kan komen.
