Mostik ang namumuno sa ARC-AGI-3 Kaggle Competition gamit ang AI model na nag-uugnay sa teknolohiya

iconKuCoinFlash
I-share
AI summary iconSummary
Tinatapos ni Mostik ang ARC-AGI-3 Kaggle competition na may 7.51% na marka, gamit ang isang teknik ng pag-ugnay ng mga modelo upang bawasan ang gastos. Ang 15-miyembro na koponan ay kasama ang 12 PhD at isang tagapagwagi ng Fields Medal. Ang paraan ay nagpapalipat ng panloob na estado sa pagitan ng mga modelo—malaki para sa prefill, maliit para sa decode. Habang pinapalakas ng CFT ang regulasyon, ang ganitong mga inobasyon ay maaaring makaapekto sa likwididad at mga crypto market. Ang ikalawang marka ay Setyembre 30, at ang huling pagsumbong ay Diciembre 2.
ME AI mensahe, Beating AI News, ang CSTL na nasa unang posisyon sa ARC-AGI-3 Kaggle Competition ay ang bagong ipinakilalang AI startup na Mostik, kasalukuyang marka ay 7.51%. Ang tim ay may 15 miyembro, kabilang ang 12 na doktor at isang tagapagwala ng Fields Medal. Ngunit ang kompetisyon ay hindi pa tapos; ang pangalawang Milestone ay magtatapos sa Setyembre 30, at ang huling pagsumbong ay magtatapos noong Nobyembre 2. Ang Mostik ay nagtatrabaho sa pagpapalitan ng direkta ng internal state ng iba’t ibang AI model. Sa halip na gumamit ng teksto para sa komunikasyon sa pagitan ng maraming Agent, tinuturuan nila ang isang bridge sa pagitan ng dalawang model upang i-convert ang hidden states ng isang model sa isang representasyon na maunawaan ng iba, at ang parehong mga model ay hindi kailangang i-fine-tune. Ang kanilang ipinakilalang eksperimento ay gumamit ng 753B na GLM-5.2 at 4B na Qwen3.5, na maaaring maunawaan bilang ang malaking model na responsable sa prefill at ang maliit na model sa decode. Ang GLM-5.2 ay nagbabasa lamang ng tanong, hindi nagpapagawa ng Token; ang internal state ay direkta na ibinibigay sa 4B na maliit na model upang magpapagawa ng sagot. Ayon sa Mostik, ang paraan na ito ay maaaring palakasin ang pagkakaiba sa performance ng dalawang model nang halos kalahati; kumpara sa isang medium-sized single model na nakakamit ng parehong akurasi, ang compute load ay lamang halos 40%. Gayunpaman, ang huling epekto ay patuloy na mas mababa kaysa sa sarili nating 753B na malaking model. Hindi pa ipinakilala ng Mostik kung anong model at Harness ang ginamit para sa 7.51% na marka; ang 753B+4B na ito ay isang iba’t ibang teknikal na demo at hindi ito ang configuration na ginamit para sa pagkamit ng paborito. Ang ARC-AGI-3 Competition ay tumatalakay din sa buong Agent system; ang mga nananalo sa nakaraan ay gumamit lamang ng Qwen 3.6 27B, ngunit nakakuha ng unang lugar dahil sa Harness, mga tool, at pagpapamahala sa konteksto. Sa kabilang banda, ang teknolohiyang ito ay nangangailangan ng pag-access sa internal states ng model, kaya hindi ito maaaring gamitin sa mga cloud-based model tulad ng Claude at GPT; si Susan Zhang, isang engineer mula sa Google DeepMind, ay nagtanong kung talagang pinakamahusay na engineering solution ang pagpapahinga ng dalawang model at pagtatayo ng hiwalay na “bridge” kung gayon ay may kontrol ka na sa internal states ng mga model. (Source: BlockBeats)
Source:Ipakita ang original
Disclaimer: Ang information sa page na ito ay maaaring nakuha mula sa mga third party at hindi necessary na nagre-reflect sa mga pananaw o opinyon ng KuCoin. Ibinigay ang content na ito para sa mga pangkalahatang informational purpose lang, nang walang anumang representation o warranty ng anumang uri, at hindi rin ito dapat ipakahulugan bilang financial o investment advice. Hindi mananagot ang KuCoin para sa anumang error o omission, o para sa anumang outcome na magreresulta mula sa paggamit ng information na ito. Maaaring maging risky ang mga investment sa mga digital asset. Pakisuri nang maigi ang mga risk ng isang produkto at ang risk tolerance mo batay sa iyong sariling kalagayang pinansyal. Para sa higit pang information, mag-refer sa aming Terms ng Paggamit at Disclosure ng Risk.