PulseAugur
中
实时 13:38:52
English(EN) Internalizing Geometric Law: Learning from Solver Residuals for Precision-Critical Generation

新的SAR方法提高了LLM在几何任务中的精度

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为饱和加性奖励（SAR）的新方法，以提高大型语言模型在几何任务中的精度。该方法解决了称为异常梯度掩蔽（Outlier Gradient Masking）的故障模式，在这种模式下，单个约束违反会阻碍所有约束的学习。SAR将奖励分解为有界的每约束项，保留部分进展并确保梯度一致性。使用SAR的8B参数模型在解决复杂几何问题方面比标准的基于MSE的奖励提高了2.3倍。 AI

影响 增强了LLM在精度关键领域的性能，有可能实现更可靠的AI驱动设计和技术图表绘制。

排序理由 这是一篇研究论文，详细介绍了一种新方法和基准，用于提高LLM在特定领域的性能。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Rafael Cabral, Pang Zixi, Ziyi Shou, Shen Xin ·

    内化几何定律：从求解器残差中学习以实现精密关键生成

    arXiv:2606.09278v1 Announce Type: cross Abstract: Large Language Models frequently hallucinate in precision-critical domains such as technical diagramming and mechanical design, where outputs must satisfy strict geometric constraints. We study open-ended geometric synthesis from …

  2. arXiv cs.LG TIER_1 English(EN) · Shen Xin ·

    内化几何定律：从求解器残差中学习以实现精度关键型生成

    Large Language Models frequently hallucinate in precision-critical domains such as technical diagramming and mechanical design, where outputs must satisfy strict geometric constraints. We study open-ended geometric synthesis from natural language: translating free-form descriptio…

相关话题