محقق‌ها همیشه فکر می‌کردن برای یاد دادن استدلال به مدل‌ها باید قدم‌به‌قدم مثل انسان بهشون مسیر رو نشون بدیم. اما DeepSeek-R1 خلاف اینو ثابت کرد و نشون داد می‌شه فقط با پاداش جواب درست، مهارت‌های واقعی استدلال رو به مدل یاد داد. 🧠
✨ ایده اصلی و نتایج شگفت‌انگیز
مدل دیگه نیاز به ردپای انسانی نداره؛ فقط وقتی جواب آخر درسته، پاداش می‌گیره. این آزادی باعث می‌شه استراتژی‌های جدید و غیرانسانی کشف کنه. نتیجه این رویکرد فوق‌العاده بوده: دقت AIME 2024 از 15.6٪ به 77.9٪ رسید و با self-consistency تا 86.7٪ جهش کرد.
⚙️ چرا این دستاورد انقلابی‌عه؟
چون مرزهای قبلی رو می‌شکنه؛ مدل به جای تقلید از انسان، می‌تونه مسیرهای تازه و کارآمد برای حل مسائل بسازه. مخصوصاً در حوزه‌های ریاضی و برنامه‌نویسی که پاسخ درست قابل بررسیه، این رویکرد می‌تونه سطحی فراتر از توانایی‌های انسانی رو به مدل‌ها بده.🔗 مطالعه بیشتر
📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@