由Zhaoyang Wei带领的研究团队提出了CALR，这是一种将模型隐藏状态与答案监督联系起来的方法。该方法把推导过程压缩为潜在区块，同时让这些区块与原始问题保持关联。在五项数学推理基准测试中，在计算资源预算相同的情况下，CALR的表现比一种类似的连续潜在推理方法高出26个百分点。论文于2026年10月7日发布在arXiv上。
为什么重要
这一提升表明，AI系统无需增加计算资源，也可能更可靠地解决数学问题，从而让教育工具受益。
CALR方法让数学推理准确率提高26个百分点
一篇于2026年10月7日发布的论文称，新的连续锚定潜在推理（CALR）技术在五项数学基准测试中提升了模型表现。
简讯作者： OossaOossa 发布日期: 1 分钟阅读
继续阅读
Oossa · 新闻简报
一周 AI，讲明白
每周一，用通俗的语言讲清值得知道的新闻。免费，无垃圾邮件。