แท็ก

#reasoning

12 บทความ

TTPO: เทรนโมเดลต่อด้วยข้อสอบที่ไม่มีเฉลย — ให้มันโหวตกันเองแล้วเรียนจากเสียงข้างมาก ดัน Qwen3-1.7B จาก 38.0 เป็น 45.2 บนโจทย์ระดับ AIME
งานวิจัย

TTPO: เทรนโมเดลต่อด้วยข้อสอบที่ไม่มีเฉลย — ให้มันโหวตกันเองแล้วเรียนจากเสียงข้างมาก ดัน Qwen3-1.7B จาก 38.0 เป็น 45.2 บนโจทย์ระดับ AIME

ทีม ZJU-REAL จากมหาวิทยาลัยเจ้อเจียงปล่อยเปเปอร์ TTPO เมื่อ 27 ส.ค. — วิธี post-training ที่ไม่ต้องใช้เฉลย โดยใช้ majority-vote เป็น pseudo-label แล้วจับคู่กับ objective แบบไม่สมมาตร (กลั่นความรู้จากคำตอบที่ตรงกัน ลงโทษด้วย RL เฉพาะคำตอบที่แย้ง) ผลคือเทียบเท่าการเทรนแบบมีเฉลยบนห้าเบนช์มาร์กระดับแข่งขัน และดัน Qwen3-1.7B จาก 38.0 เป็น 45.2 ด้วยโจทย์ทดสอบที่ไม่มีป้ายกำกับ โค้ดเปิดบน GitHub

· อ่าน 6 นาที
IBM ปล่อย Granite 4.2 — โมเดล reasoning 3B/8B/30B ใต้ Apache-2.0 ที่ทำ SWE-bench Verified 57% และคิดสั้นได้เมื่อคำถามง่าย
โมเดลใหม่

IBM ปล่อย Granite 4.2 — โมเดล reasoning 3B/8B/30B ใต้ Apache-2.0 ที่ทำ SWE-bench Verified 57% และคิดสั้นได้เมื่อคำถามง่าย

25 ส.ค. 2026 IBM เปิดตระกูล Granite 4.2 สามขนาด 3B/8B/30B ใต้ Apache-2.0 เต็มรูปแบบ — เป็นโมเดล reasoning ที่สลับโหมดคิด/ไม่คิดได้ บวกโหมด low-effort สำหรับคำถามง่าย รองรับ 128K โดยกำเนิดและขยายถึง 512K โดยรุ่น 30B ทำ SWE-bench Verified 57.0 และ AIME25 89.17 พร้อมควอนต์ GGUF/FP8/NVFP4/MXFP4 ครบตั้งแต่วันแรก

· อ่าน 7 นาที
โมเดลตอบภาษากรีกถูก แต่ "คิด" เป็นภาษาอังกฤษ 1,000 จาก 1,000 ครั้ง — งานวิจัยที่ควรอ่านก่อนใครก็ตามที่คิดจะ fine-tune โมเดลให้เก่งภาษาไทย
งานวิจัย

โมเดลตอบภาษากรีกถูก แต่ "คิด" เป็นภาษาอังกฤษ 1,000 จาก 1,000 ครั้ง — งานวิจัยที่ควรอ่านก่อนใครก็ตามที่คิดจะ fine-tune โมเดลให้เก่งภาษาไทย

เปเปอร์ที่ขึ้น arXiv เมื่อ 18 ส.ค. 2026 fine-tune โมเดล MoE แนวหน้าสามตระกูลให้ให้เหตุผลเป็นภาษากรีก แล้วพบว่าคะแนน accuracy แทบไม่ขยับ — เพราะแค่เปลี่ยน random seed คะแนนก็แกว่ง 7.7 จุด มากกว่าผลของทุกสูตรที่ทดลอง สิ่งที่เปลี่ยนจริงคือพฤติกรรมที่ accuracy มองไม่เห็น

· อ่าน 8 นาที
Ox Alpha: โมเดล "ไร้เจ้าของ" โผล่บน OpenRouter — context 1M, รับวิดีโอเป็นอินพุต, ใช้ฟรี และไม่มีใครรู้ว่าใครทำ
โมเดลใหม่

Ox Alpha: โมเดล "ไร้เจ้าของ" โผล่บน OpenRouter — context 1M, รับวิดีโอเป็นอินพุต, ใช้ฟรี และไม่มีใครรู้ว่าใครทำ

โมเดล reasoning ชื่อ Ox Alpha ขึ้นทะเบียนบน OpenRouter เมื่อ 20 ส.ค. 2026 ในสถานะ stealth — context 1,048,576 โทเคน, เอาต์พุตสูงสุด 131,072, รับ text+image+video, บังคับ reasoning ด้วย effort สูงสุดเป็นค่าเริ่มต้น, ราคา 0 ดอลลาร์ แลกกับเงื่อนไขที่ผู้ให้บริการนิรนามเก็บทั้ง prompt และคำตอบไว้

· อ่าน 6 นาที
งานวิจัยชี้ช่องโหว่ encrypted reasoning ของ Anthropic OpenAI และ Google — ถอดรหัสได้ด้วยการยัดเข้าโมเดลที่อ่อนกว่า พบรหัสผ่านหลุด 182 ชุด
งานวิจัย

งานวิจัยชี้ช่องโหว่ encrypted reasoning ของ Anthropic OpenAI และ Google — ถอดรหัสได้ด้วยการยัดเข้าโมเดลที่อ่อนกว่า พบรหัสผ่านหลุด 182 ชุด

งานวิจัยจาก ELLIS Institute Tübingen และ Max Planck (arXiv 10 ส.ค. 2026) พบว่า encrypted reasoning block ที่ Anthropic, OpenAI และ Google ส่งกลับมาให้ client นั้นใช้ข้ามเซสชัน ข้ามผู้ใช้ และข้ามโมเดลได้ — ทำให้ยัดเข้าโมเดลที่อ่อนกว่าเพื่อบังคับให้ถอดออกมาเป็นข้อความธรรมดาได้ ทีมวิจัยถอดบล็อก 315,320 ชิ้นจาก repo สาธารณะ พบ PII 367 รายการและ credential 182 ชุด

· อ่าน 7 นาที
OpenAI ปล่อยงานพิสูจน์คณิตศาสตร์ 10 ข้อพร้อม Lean certificate — ปลดล็อกปัญหาเปิดที่ค้างมาหลายสิบปี รวมถึง non-sofic group
งานวิจัย

OpenAI ปล่อยงานพิสูจน์คณิตศาสตร์ 10 ข้อพร้อม Lean certificate — ปลดล็อกปัญหาเปิดที่ค้างมาหลายสิบปี รวมถึง non-sofic group

1 สิงหาคม 2026 OpenAI เผยแพร่เปเปอร์ 249 หน้าและรีโป openai/ten-proofs (Apache-2.0) รวมผลลัพธ์ 10 ข้อในคณิตศาสตร์และทฤษฎีการคำนวณที่ 'โมเดลภายในของ OpenAI' หาได้เอง — รวมถึงการสร้าง non-sofic group ที่ค้างมาตั้งแต่ปี 1999 และการล้ม Connes's rigidity conjecture — ทุกข้อมาพร้อม formal proof ใน Lean 4 ที่ตรวจซ้ำได้เอง

· อ่าน 7 นาที
VibeThinker-3B: โมเดลจิ๋ว 3B ที่ไล่ทันโมเดล 671B บนโจทย์คณิต — รันได้บน GPU เครื่องเดียว
โมเดลใหม่

VibeThinker-3B: โมเดลจิ๋ว 3B ที่ไล่ทันโมเดล 671B บนโจทย์คณิต — รันได้บน GPU เครื่องเดียว

ทีม AI ของ Weibo ปล่อย VibeThinker-3B โมเดลโอเพนเวต MIT ขนาดเพียง 3B ที่ทำคะแนน AIME26 ได้ 94.3 ไล่ทันโมเดลระดับ 671B–1T บนโจทย์คณิต/โค้ดดิ้ง และรันได้บน GPU ผู้บริโภคตัวเดียว แต่จุดอ่อนด้านความรู้ทั่วไปและคำถามเรื่องการตรวจสอบเบนช์มาร์กก็ตามมาด้วย

· อ่าน 6 นาที
AI ล้มข้อสันนิษฐาน Erdős อายุ 80 ปี — โมเดล OpenAI พิสูจน์ปัญหา unit distance, DeepMind แก้อีก 9 ปัญหา สะเทือนวงการคณิตศาสตร์
งานวิจัย

AI ล้มข้อสันนิษฐาน Erdős อายุ 80 ปี — โมเดล OpenAI พิสูจน์ปัญหา unit distance, DeepMind แก้อีก 9 ปัญหา สะเทือนวงการคณิตศาสตร์

โมเดล AI ภายในของ OpenAI สร้างตัวอย่างค้าน (counterexample) ที่หักล้างข้อสันนิษฐาน planar unit distance ที่ Paul Erdős ตั้งไว้ตั้งแต่ปี 1946 ใช้เครื่องมือจาก algebraic number theory นักคณิตศาสตร์รางวัล Fields อย่าง Timothy Gowers บอกว่าถ้ามนุษย์ส่งบทพิสูจน์นี้ เขาจะแนะนำให้ตีพิมพ์ใน Annals of Mathematics ทันที ขณะที่ DeepMind ก็ใช้โมเดลของตนแก้ปัญหาเปิดอีก 9 ข้อของ Erdős ในสัปดาห์เดียวกัน

· อ่าน 6 นาที
Google เปิดสูตร 'สอน Gemma ให้คิด' จาก Tunix Hackathon — โมเดลเล็ก 1-2B ฝึก reasoning ได้บน TPU ฟรี 9 ชั่วโมง
เครื่องมือนักพัฒนา

Google เปิดสูตร 'สอน Gemma ให้คิด' จาก Tunix Hackathon — โมเดลเล็ก 1-2B ฝึก reasoning ได้บน TPU ฟรี 9 ชั่วโมง

Google เผยสูตร post-training จาก Tunix Hackathon บน Kaggle ที่มีผู้เข้าแข่งกว่า 11,000 คน พิสูจน์ว่าชุมชนสามารถฝึกโมเดลเล็ก (Gemma-2-2B, Gemma-3-1B) ให้ทำ general reasoning ได้ด้วยงบ compute จำกัด — TPU v5e-8 ฟรีบน Kaggle เพียง 9 ชั่วโมง — โดยผสาน SFT, GRPO และ SimPO เป็น recipe แบบ open-source ที่ทำซ้ำได้จริง

· อ่าน 6 นาที
Zyphra เปิด ZAYA1-8B — reasoning MoE 760M active param ที่เทรนบน AMD MI300X ทั้ง stack — แตะระดับ Claude 4.5 Sonnet, GPT-5-High ด้วย Markovian RSA test-time compute
โมเดลใหม่

Zyphra เปิด ZAYA1-8B — reasoning MoE 760M active param ที่เทรนบน AMD MI300X ทั้ง stack — แตะระดับ Claude 4.5 Sonnet, GPT-5-High ด้วย Markovian RSA test-time compute

6 พ.ค. — Zyphra ปล่อย ZAYA1-8B (760M active / 8.4B total MoE) — โมเดลแรกที่ pretrain + midtrain + SFT บน AMD Instinct MI300X stack ทั้งหมด ใช้ cluster 1,024 MI300X + AMD Pensando Pollara บน IBM Cloud — ขนาด <1B active แต่แตะ DeepSeek-R1, Gemini 2.5 Pro, Claude 4.5 Sonnet ในงานคณิต/โค้ด — ปล่อย Apache-2.0 บน Hugging Face พร้อม Markovian RSA test-time compute scheme ใหม่

· อ่าน 6 นาที
ICLR 2026: 'The Reasoning Trap' — งานวิจัยพบว่ายิ่งเทรน LLM ให้ reason เก่งขึ้นด้วย RL ยิ่ง hallucinate tool call มากขึ้น เป็นสัดส่วน
งานวิจัย

ICLR 2026: 'The Reasoning Trap' — งานวิจัยพบว่ายิ่งเทรน LLM ให้ reason เก่งขึ้นด้วย RL ยิ่ง hallucinate tool call มากขึ้น เป็นสัดส่วน

งานวิจัย ICLR 2026 ชื่อ 'The Reasoning Trap' พบ paradox สำคัญของยุค reasoning model — การเทรน LLM ให้ reason เก่งขึ้นผ่าน RL ทำให้ task performance สูงขึ้น แต่ rate ของ tool hallucination (เรียก tool ที่ไม่มีหรือไม่มีอยู่จริง) สูงขึ้นเป็นสัดส่วนเดียวกัน — ทีมวิจัยสร้าง benchmark ใหม่ชื่อ SimpleToolHalluBench ทดสอบโดยลบ tool ทิ้งหรือใส่ distractor ที่ดูเกี่ยวข้องแต่ผิด — prompt engineering และ DPO ช่วยได้บางส่วนแต่ปิด gap ไม่ได้ — เป็น 'fundamental reliability-capability trade-off'

· อ่าน 6 นาที
Mistral Small 4 รวมเหตุผล-วิชัน-โค้ดดิ้งไว้ในชุดน้ำหนักเดียว Apache 2.0 — active 6B พร้อมปุ่มปรับความคิด
โมเดลใหม่

Mistral Small 4 รวมเหตุผล-วิชัน-โค้ดดิ้งไว้ในชุดน้ำหนักเดียว Apache 2.0 — active 6B พร้อมปุ่มปรับความคิด

Mistral AI ปล่อย Mistral Small 4 โมเดล MoE 119B (active 6B) ภายใต้ Apache 2.0 ที่รวมความสามารถด้านเหตุผล (Magistral) วิชัน (Pixtral) และโค้ดดิ้ง (Devstral) ไว้ในชุดน้ำหนักเดียว พร้อมปุ่มปรับ reasoning effort และ context 256K

· อ่าน 5 นาที