Mostik remporte la compétition ARC-AGI-3 de Kaggle avec un modèle d'IA reliant la technologie

iconKuCoinFlash
Partager
AI summary iconRésumé
Mostik remporte la compétition ARC-AGI-3 sur Kaggle avec un score de 7,51 %, en utilisant une technique de pontage de modèles pour réduire les coûts. L'équipe de 15 membres comprend 12 docteurs et un lauréat de la médaille Fields. La méthode transfère les états internes entre les modèles — grands pour le préremplissage, petits pour le décodage. Avec une réglementation CFT de plus en plus stricte, des innovations comme celle-ci pourraient impacter la liquidité et les marchés cryptos. La date limite du deuxième jalons est le 30 septembre, les soumissions finales sont à envoyer avant le 2 novembre.
ME AI Actualité, Beating AI Flash : CSTL, actuellement en première position sur le concours ARC-AGI-3 Kaggle, est la startup d'IA récemment révélée Mostik, avec un score actuel de 7,51 %. L'équipe compte 15 personnes, dont 12 docteurs et un lauréat de la médaille Fields. Toutefois, le concours n'est pas terminé ; la deuxième étape (Milestone) se clôturera le 30 septembre, et la soumission finale est prévue pour le 2 novembre. Mostik développe une technologie permettant à différents modèles d'IA d'échanger directement leurs états internes. Contrairement aux systèmes multi-agents classiques qui communiquent par texte, Mostik entraîne un pont entre deux modèles pour convertir les états cachés d'un modèle en une représentation compréhensible par l'autre, sans nécessiter de fine-tuning des modèles eux-mêmes. Les expériences publiées utilisent un modèle GLM-5.2 de 753 milliards et un modèle Qwen3.5 de 4 milliards, que l'on peut approximativement interpréter comme un grand modèle chargé du prefill et un petit modèle chargé du decode. GLM-5.2 lit uniquement la question sans générer de tokens ; son état interne est directement transmis au petit modèle de 4 milliards pour générer la réponse. Mostik affirme que cette approche réduit d'environ la moitié l'écart de performance entre les deux modèles ; comparé à un modèle unique de taille moyenne atteignant la même précision, le calcul requis est d'environ 40 %. Toutefois, le résultat final reste inférieur à celui du modèle de 753 milliards lui-même. Mostik n'a pas encore révélé quels modèles et quel Harness ont été utilisés pour obtenir le score de 7,51 %. Les modèles GLM-5.2 + Qwen3.5 mentionnés ci-dessus ne constituent qu'une démonstration technique distincte et ne représentent pas la configuration utilisée pour le classement. Le concours ARC-AGI-3 évalue l'ensemble du système agent ; les vainqueurs des étapes précédentes n'ont utilisé que Qwen 3.6 27B, mais ont obtenu la première place grâce à leur Harness, leurs outils et leur gestion du contexte. D'autre part, cette technologie exige l'accès aux états cachés des modèles, ce qui exclut pour l'instant les modèles cloud comme Claude ou GPT. Susan Zhang, ingénieure chez Google DeepMind, remet également en question l'efficacité technique : si l'on peut déjà contrôler les états internes des modèles, est-il vraiment optimal de les figer et d'entraîner séparément un « pont » ? (Source : BlockBeats)
Source:Afficher l'original
Clause de non-responsabilité : les informations sur cette page peuvent avoir été obtenues auprès de tiers et ne reflètent pas nécessairement les points de vue ou opinions de KuCoin. Ce contenu est fourni à titre informatif uniquement, sans aucune représentation ou garantie d’aucune sorte, et ne doit pas être interprété comme un conseil en investissement. KuCoin ne sera pas responsable des erreurs ou omissions, ni des résultats résultant de l’utilisation de ces informations. Les investissements dans les actifs numériques peuvent être risqués. Veuillez évaluer soigneusement les risques d’un produit et votre tolérance au risque en fonction de votre propre situation financière. Pour plus d’informations, veuillez consulter nos conditions d’utilisation et divulgation des risques.