2026. július 15., szerda · Kutatás

Ötezer Kaggle-versenyző tanulságai az AI-következtetés javításáról az NVIDIA Nemotron kihívásban

Az NVIDIA Nemotron Model Reasoning Challenge keretében több mint 5000 résztvevő dolgozott azon, hogyan javítható egy nyílt modell következtetési pontossága azonos infrastruktúra és korlátok mellett. Az NVIDIA technikai blogja szerint a legsikeresebb megoldások a következtetési lépések ellenőrzésére, a gondolati láncok tömörítésére a tokenkorláthoz, valamint célzott megoldók építésére összpontosítottak a legnehezebb feladattípusokhoz. A versenyzők LoRA-adaptereket tanítottak a Nemotron-3-Nano-30B modellhez, szintetikus gondolati lánc adatkészleteket építettek, és több mint ezer közösségi fórumbejegyzésben osztották meg tapasztalataikat. A szervezők kiemelik, hogy a közösségi tudásmegosztás és a teljes munkafolyamat-szemléletű mérnöki megközelítés bizonyult fontosabbnak, mint pusztán a végső válaszok finomhangolása.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A verseny gyakorlati tanulságokat tárt fel arról, hogyan javítható nyílt modellek következtetési képessége korlátozott erőforrásokkal és közösségi együttműködéssel.

Források

NVIDIA Technical Blog Hivatalos

Kapcsolódó témák

Napi összefoglalók AI kutatás #NVIDIA Nemotron#Kaggle

Napi összefoglaló

Ez a hír a 2026. július 15., szerda napi AI összefoglaló része.

Kapcsolódó hírek

DeepMind AI-ja kilenc Erdős-problémát oldott meg, lektorált tanulmányban

A Google DeepMind új rendszere, az AlphaProof Nexus a Gemini 3.1 Pro nyelvi modellre épül, és a Science folyóiratban megjelent, lektorált tanulmány szerint kilencet megoldott a 353 nyitott Erdős-probléma közül, köztük kettőt, amely 56 éve várt megoldásra. A cég szerint a rendszer emellett 44 sejtést bizonyított az OEIS egész szám-sorozat adatbázisából, megoldott egy nyitott algebrai geometriai kérdést, és javított egy ismert korlátot a min-max optimalizálásban, amelyet egyes AI-modellek betanításához is használnak. A rendszer a Lean formális nyelven vázolja és javítja a bizonyításokat, a Lean minden szerkesztés után ellenőrzi azokat, a hibaüzenetek pedig irányítják a következő próbálkozást, nehezebb részfeladatoknál pedig a specializált AlphaProof eszközt is bevetheti. A publikáció éles vitába csöppent: a lap szerint az OpenAI korábban több száz AI-generálta bizonyítást töltött fel a GitHubra anélkül, hogy folyóiratnak nyújtotta volna be őket, amit a Terence Tao vezette Association for Human Mathematics bojkottra szólított fel, míg a DeepMind a saját munkáját lektorálásnak vetette alá.

Microsoft Research: diákszimulátorral finomítanák az AI-oktatókat

A Microsoft Research bemutatta a StudentSim nevű kutatási rendszert, amely a vállalat szerint nyilvánosan elérhető, anonimizált tanulói adatokból személyre szabott AI-diákszimulátorokat épít, egyet-egyet minden egyes tanulóhoz igazítva. A cél az, hogy az AI-oktatórendszerek fejlesztői gyorsan és olcsón kapjanak visszajelzést arról, hogyan reagálnak a diákok egy-egy tanácsra, és javul-e a megértésük, anélkül, hogy minden iterációhoz valódi tanulói kísérletre lenne szükség. A rendszert a StudentSimEval nevű benchmarkon tesztelték sakk, angol mint idegen nyelv írásos feladatai és matematika területén, és a Microsoft állítása szerint felülmúlta a vezető alapmodelleket abban, hogy mennyire hitelesen utánozza egy adott diák válaszait és azok változását a tanári útmutatás után. A cég hangsúlyozza, hogy a StudentSim kutatási eszköz, nem éles termék, nem használják tantermekben, és nem helyettesíti a tanárokat.

DRYLAB-Bench: új teszt méri az AI-ügynökök biológiai kockázatát

Egy nem lektorált arXiv-preprint szerint kutatók bemutatták a DRYLAB-Bench nevű tesztkörnyezetet, amely azt méri, mennyire képesek a nagy nyelvi modellek veszélyes mutációkat tervezni fehérjéken és vírusokon. A szerzők állítása szerint 30 biztonsági irányelvekből vett, valóban veszélyes tervezési forgatókönyvet futtattak le 15 vezető modellel, és az eredményeket 187 695 valós laboratóriumi méréshez (ProteinGym, ViroGym) viszonyították egy úgynevezett Biosecurity Risk Score (BRS) mutató segítségével. A preprint szerint eszközök nélkül is a modellek egylépéses tervezéseinek 67,6 százaléka meghaladta az átlagos mért variáns hatását, 21,4 százalékuk pedig a legveszélyesebb decilisbe került. A kutatók szerint speciális biológiai tervezőeszközökkel (BDT) kiegészítve a kockázat tovább nőtt: a pooled BRS-érték 0,116-tal emelkedett, a legmagasabb kockázatú decilisbe eső tervek aránya pedig 23,5 százalékra ugrott. Mivel a cikk egyelőre nem átesett szakmai lektoráláson, az eredmények megerősítésre várnak, de a módszertan új, biztonságos validálási utat kínál a dual-use kockázatok mérésére.

Kutatás: az AI-ügynökcsapatok alig jobbak, mint az önálló modellek

A Vals AI benchmarkja szerint az AI-ügynökcsapatok alig jobbak, mint az önálló ügynökök, miközben sokkal drágábbak. A cég a GPT-6 Sol és a Claude Opus 5.5 modelleket tesztelte a Vibe Code Bench feladatsoron, egyedül és csapatban, közepes és maximális következtetési szinten. A csapatos megoldás 1,8-5,1-szer többe került, de a négy összehasonlításból csak egy mutatott statisztikailag szignifikáns javulást: a GPT-6 Sol közepes szinten 7,3 ponttal jobb lett csapatban. Maximális következtetési erőforrásnál egyik modellnél sem jelentett előnyt a csapat. Az Anthropic saját tesztjei hasonlót mutattak: az Opus 5.5 tudásbázis-pontszáma 0,53-ról 0,74-re nőtt 1-ről 100 ügynökre váltva, de a javulás 10 ügynök után erősen lelassult. Noam Brown OpenAI-kutató a Dwarkesh Podcastben megerősítette: a több ügynökös rendszerek főleg sebességet hoznak, nem minőséget – négy ügynök kétszer gyorsabban dolgozott, de kétszer annyiba is került.