腾讯研究院AI速递 20250213

正文

请到「今天看啥」查看全文

三、  GameArena团队发布LLM的测试神器，不考数学，考游戏

1. GameArena团队开发的Roblox实时游戏"AI空间逃脱"通过三种推理游戏测试AI性能，比传统方法更具互动性；

2. 游戏包含猜词、禁忌词和虚张声势三种类型，测试AI在多轮对话中的推理和上下文理解能力；

3. Claude-3.5-sonnet和Gemini-1.5-pro等对齐模型表现优异，游戏评估获得87%有效反馈率，远超传统方法。

https://mp.weixin.qq.com/s/-R6NBJGhnxDamrVM2WaDdA

四、  「分层RL推理」ReasonFlux框架，32B碾压o1-preiview？

1. 普林斯顿和北大团队开发的ReasonFlux-32B仅用8块A100，在MATH和AIME等数学基准测试中超越o1-preview和DeepSeek V3；

2. ReasonFlux构建约500个高层次思维模板库，通过分层强化学习优化推理路径，减少搜索空间；

3. 新框架在MATH基准达91.2%准确率超o1-preview 6.7%，AIME达56.7%领先27%，展现强大数学推理能力。

请到「今天看啥」查看全文