Tag
3 件の関連記事
Zongye Lyu (ゾンイェ・リュウ) 氏は2026年10月2日(現地時間)、arXiv cs.LGで発表した研究論文で、検証可能な報酬による強化学習 (RLVR: Reinforcement learning with verifiable rewards) が報告するドメイン外での性能向上の一部が、モデルの回答形式に起因する可能性を指摘した。特に7B SimpleRLモデルにおいて、既存の回答抽出器が報告する多肢選択式問題のドメイン外性能向上のうち82%が、回答形式の変更によるものだったという。これは、モデルが回答の質を直接的に向上させるのではなく、抽出器が探索する特定の形式に回答を配置したことによる見かけ上の改善を示唆している。
Jon-Paul Cacioli氏らの研究論文は2026年4月21日(現地時間)、arXiv cs.CLで公開され、最先端の大規模言語モデル（LLM）33種のメタ認知モニタリング能力をMMLUベンチマークの6つのドメインで評価した結果を報告した。この広範な調査は、8つのモデルファミリーから選ばれた33モデルを対象に、合計47,151回の観測に基づいている。これまで集計されたメタ認知品質スコアでは見過ごされがちだった、個々のモデルにおけるドメイン間の顕著な能力変動が浮き彫りとなり、LLMの特性理解に新たな視点を提供している。
arXiv cs.AIは2026年4月20日(現地時間)、論文を公開し、Chain-of-thought (CoT) 推論（思考連鎖推論）を用いるモデルにおいて、推論軌跡の長さに比例して、質問ごとの位置バイアスが増大する可能性を指摘した。DeepSeek-R1（671B）など複数のモデル設定を用いた大規模な研究を通じて、この現象が明確に示されている。CoT推論はこれまでヒューリスティックなバイアスを低減すると一般的に仮定されてきたが、本研究結果はこれに反する新たな知見を提供するものとなる。