Исследователи во главе с Чжаоян Вэем представили CALR — метод, связывающий скрытые состояния модели с обучением на основе ответов. Он сжимает цепочки рассуждений в латентные блоки, которые остаются привязанными к исходной задаче. В тестах на пяти математических бенчмарках CALR превзошёл схожий метод непрерывных латентных рассуждений на 26 процентных пунктов при том же объёме вычислений. Статья была опубликована на arXiv 7 октября 2026 года.
Почему это важно
Результат показывает, что системы ИИ могут надёжнее решать математические задачи без увеличения вычислительных затрат, что может быть полезно для образовательных инструментов.
