👉 @ai_python ✍️

alphaxiv.org/abs/2512.17901

یادداشتِ گروک :

این پست مقاله‌ای به نام «When Reasoning Meets Its Laws» را معرفی می‌کند.این مقاله یک چارچوب ساده به نام «قوانین استدلال» (Laws of Reasoning یا LoRe) پیشنهاد می‌دهد: استدلال مدل‌های هوش مصنوعی باید به صورت خطی با پیچیدگی سؤال مقیاس‌پذیر باشد (یعنی محاسبات استدلالی متناسب با سختی مسئله افزایش یابد).


پیچیدگی سؤال با دو ویژگی قابل اندازه‌گیری ارزیابی می‌شود:مونوتونیسیتی (Monotonicity): سؤالات پیچیده‌تر نیاز به محاسبات بیشتری دارند.
کامپوزیسیونالیتی (Compositionality): برای سؤالات مستقل، محاسبات کل برابر مجموع محاسبات هر بخش جداگانه است.

وقتی مدل‌ها را روی رعایت این اصول آموزش می‌دهند، دقت استدلال آن‌ها در وظایف پیچیده به طور قابل توجهی بهبود می‌یابد.

👉 @ai_python ✍️

در واقع، مدل‌هایی که بهتر به این قوانین پایبند باشند، عملکرد بهتری در بنچمارک‌های مختلف نشان می‌دهند و از افت دقت نمایی (exponential accuracy drop) با افزایش پیچیدگی جلوگیری می‌شود.چارچوب LoRe یک رویکرد عملی برای نزدیک شدن به قوانین مقیاس‌پذیری واقعی است و می‌تواند تأثیرات گسترده‌ای روی استدلال قابل اعتمادتر هوش مصنوعی در زمینه‌هایی مثل منطق، حل مسئله و غیره داشته باشد.