Mostik lidera la competencia ARC-AGI-3 de Kaggle con un modelo de IA que une la tecnología

iconKuCoinFlash
Compartir
AI summary iconResumen
Mostik lidera la competencia ARC-AGI-3 de Kaggle con una puntuación del 7,51%, utilizando una técnica de puente entre modelos para reducir costos. El equipo de 15 miembros incluye 12 doctores y un ganador de la Medalla Fields. El método transfiere estados internos entre modelos: grandes para prefill y pequeños para decode. Con las regulaciones de la CFT endureciéndose, innovaciones como esta podrían impactar la liquidez y los mercados de cripto. La segunda fecha límite es el 30 de septiembre, y las presentaciones finales vencen el 2 de noviembre.
ME AI Noticias, Beating AI Flash: CSTL, que actualmente ocupa el primer lugar en la competencia ARC-AGI-3 de Kaggle, es la recién anunciada empresa de IA Mostik, con un puntaje actual de 7.51%. El equipo consta de 15 personas, incluidos 12 doctores y un ganador de la Medalla Fields. Sin embargo, la competencia aún no ha terminado; el segundo Milestone cerrará el 30 de septiembre, y la entrega final será el 2 de noviembre. Mostik desarrolla un sistema que permite que diferentes modelos de IA intercambien directamente sus estados internos. A diferencia de los agentes múltiples tradicionales, que se comunican principalmente mediante texto, Mostik entrena un "puente" entre dos modelos para convertir los hidden states de un modelo en una representación comprensible por el otro, sin necesidad de ajustar finamente ninguno de los dos modelos. En los experimentos publicados, utilizaron GLM-5.2 de 753B y Qwen3.5 de 4B, lo que puede interpretarse aproximadamente como un modelo grande encargado del prefill y uno pequeño del decode. GLM-5.2 solo lee la pregunta, sin generar tokens; su estado interno se transmite directamente al modelo pequeño de 4B para generar la respuesta. Mostik afirma que este enfoque reduce aproximadamente a la mitad la brecha de rendimiento entre ambos modelos; en comparación con un modelo único de tamaño medio que logra la misma precisión, el consumo computacional es solo alrededor del 40%. Sin embargo, el rendimiento final sigue siendo inferior al del modelo grande de 753B por sí solo. Mostik aún no ha revelado qué modelo y Harness utilizaron para lograr el puntaje de 7.51%. El uso de 753B + 4B mencionado anteriormente es solo una demostración técnica diferente y no representa la configuración utilizada para competir. La competencia ARC-AGI-3 evalúa todo el sistema de agentes; los campeones anteriores lograron el primer lugar utilizando únicamente Qwen 3.6 27B, gracias a su Harness, herramientas y gestión del contexto. Por otro lado, esta tecnología requiere acceso a los hidden states de los modelos, lo que actualmente no es posible con modelos en la nube como Claude o GPT. Susan Zhang, ingeniera de Google DeepMind, también cuestiona si, dado que ya se puede controlar el estado interno del modelo, congelar dos modelos y entrenar por separado un "puente" es realmente la solución más eficiente desde el punto de vista de ingeniería. (Fuente: BlockBeats)
Fuente:Mostrar original
Descargo de responsabilidad: La información contenida en esta página puede proceder de terceros y no refleja necesariamente los puntos de vista u opiniones de KuCoin. Este contenido se proporciona solo con fines informativos generales, sin ninguna representación o garantía de ningún tipo, y tampoco debe interpretarse como asesoramiento financiero o de inversión. KuCoin no es responsable de ningún error u omisión, ni de ningún resultado derivado del uso de esta información. Las inversiones en activos digitales pueden ser arriesgadas. Evalúa con cuidado los riesgos de un producto y tu tolerancia al riesgo en función de tus propias circunstancias financieras. Para más información, consulta nuestras Condiciones de uso y la Declaración de riesgos.