第168章 重启SLRM研究 四（2/2）

但现在，每当qwen-7b生成一个推理步骤，slrm就会在后台的高维几何空间里构建一个“逻辑盒子”。如果下一步的推理超出了这个盒子的范围，slrm会立刻施加惩罚梯度，强迫它修正逻辑。

测试开始。

进度条走动。

最终分数定格：94.5%。

“嘶……”徐辰自己都吸了口凉气。

原始水平：~75%。

加持后：94.5%。

gpt-4水平：~92%。

“在nli这种基础任务上，直接超越了sota（当前最佳）！”

……

第二战：logiqa。

这是一个硬骨头。题目全是类似“如果a去，b就不去；如果b不去，c必须去……”这种绕口令。

qwen-7b原始水平大约是38%，这个水平基本就是蒙的。

gpt-4的水平大约是76%。

徐辰加载模型，运行测试。

十分钟后。

最终分数：81.2%。

翻倍！直接翻倍！

在这个榜单上，即便是千亿参数的llama-3-70b，也还在65%左右徘徊。徐辰用7b的模型，跑出了比gpt-4还高5个点的成绩！

……

第三战：proofwriter。

这是终极考验。不仅要对，还要对得有理有据。

qwen-7b原始水平大约是45%，会经常胡编乱造证明过程）。

laart (qwen-7b + slrm)：98.4%。

“98.4%……”

徐辰看著这个数字，忍不住感嘆slrm的逻辑能力確实够强。

“虽然推理速度慢得像蜗牛，泛化能力也有限，但在『逻辑严谨性』这一块，它就是当之无愧的王者。”

“有了这些数据，这篇论文，稳了。”

……

隨著徐辰將一份份测试结果上传到hugging face的leaderboard，整个ai界，再次被那个神秘的“x”给震动了。

这一次，不再是clutrr一个榜单的孤立事件。

snli、logiqa、proofwriter……

几乎所有主流的、公认最难啃的逻辑推理榜单，在一夜之间，全部被那个简单的字母“x”给血洗了！

而且，分数不是微弱的领先，而是断层式的碾压！

在logiqa这种“智商测试”榜单上，x的模型甚至比第二名高出了整整5个百分点！

那一连串绿色的“new sota”標誌，就像是一排排闪烁的霓虹灯，刺痛了所有ai巨头的眼睛。

更可怕的是，这些成绩的背后，依然没有公开任何模型权重，没有一行代码，甚至连那个“x”到底是谁，依然是个谜。

……