SSR框架选择性检索策略提升数学推理
热点事件持续更新
SSR框架选择性检索策略提升数学推理
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
Weida Liang 等作者提出测试时框架“选择性策略检索”（SSR），通过经验性、多路径、来源感知信号，选择性检索并组合策略，以应对数学推理中策略“使用”与“可执行性”的系统性脱节。 作者称，在多个数学推理基准上，SSR 相比直接求解、上下文学习和单源指导取得稳定提升；紧凑推理模型在 AIME25 上准确率最高提升 13 分，在 Apex 上提升 5 分。
AI 根据报道生成 · 2 小时前更新
最新进展10月15日 12:00
人类与模型策略可执行性差异：选择性策略检索 SSR 提升数学推理准确率报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv cs.AI人类与模型策略可执行性差异：选择性策略检索 SSR 提升数学推理准确率
研究揭示数学推理中策略"使用"与"可执行性"存在系统性脱节，人类与模型生成的策略在结构化、领域相关的方式上存在差异，导致指导效果不稳定。为此提出测试时框架选择性策略检索（SSR），通过经验性、多路径、来源感知信号选择性检索并组合策略。在多个数学推理基准上，SSR 相比直接求解、上下文学习和单源指导取得稳定提升，紧凑推理模型在 AIME25 上准确率最高提升 13 分，在 Apex 上提升 5 分。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。