|
Сообщения участника "mserg" | |
| |
|
write
|
| Решатель ARC-задач Франсуа Шолле |
По-видимому результаты по GPT взяты отсюда:
https://arcprize.org/leaderboard
Проверка результатов, как я понимаю, описана здесь:
https://arcprize.org/policy
Проверку коммерческих систем с общей капитализацией под триллион проводит кучка гордых ученых.
Анализ результатов 2025 года сделан тут:
https://arcprize.org/blog/arc-prize-2025-results-analysis
Судя по анализу, прогресс действительно идет.
|
| |
|
write
|
| Решатель ARC-задач Франсуа Шолле |
С трепом этого практикующего эксперта есть одна проблема, которую он сам как бы понимает.
Цель состоит в том, чтобы решать задачи, для которых нет примеров в обучающей выборке.
В идеальном случае, известны общие условия задачи (ограничения на размеры входных и выходных матриц, и ограничения на значения элементов матриц), и нет ни одного обучающего примера.
|
| |
|
write
|
| Решатель ARC-задач Франсуа Шолле |
Понимаю, обидно за инфлюенсера.
Руками написать парсеры, паттерны, генераторы, и т.д. , скрестить с LLM, и т.п.
Ведь так же должен работать AGI?
|
| |
|
write
|
| Решатель ARC-задач Франсуа Шолле |
| 13:48 05.01.2026 |
|
13:49 05.01.2026 |
|
№13468 |
Sanek22:
Это кстати классическая иллюзия "магии ЕИ". Как по мне суть в асимметрии предобучения. Человек, решая ARC на 3 примерах, использует не магию, а колоссальный скрытый багаж — интуитивную физику, понятия симметрии, счёта и причинности, усвоенные за десятилетия взаимодействия с миром и через язык, я уже молчу про сотни миллионы лет эволюции мозга и сколько в нём захардкоженно уже сходу. Это не обучение с нуля, а точечная достройка готовых абстракций.
Чтобы нейросеть справилась, ей нужно, самое меньше, аналогичное "детство" — предобучение на специальных датасетах, формирующих нужные примитивы. Как минимум это "мир объектов" — видео с 2D/3D-фигурами, чтобы научиться видеть отдельные сущности(латентные принаки), а не пиксели, "библиотека операций" — миллиарды пар "вход-выход", сгенерированных простыми программами (отразить, сгруппировать, посчитать), чтобы выучить базовые преобразования и "связь с языком" — описание этих преобразований словами ("симметрия", "чередование"), чтобы абстрагировать концепты.
Относительно достаточности ARC-библиотеки для полного самообучения - вопрос, конечно, интересный.
В свое время, я составил для обучающих ARC-1 примеров python-скрипты. Появилась вручную составленная библиотечка, с помощью которой описывались решения. ARC-2 примеры тоже просмотрел. Чего там, с точки зрения математики, только нет - вплоть до топологии. Поэтому под моими заявлениями о самообучении есть некоторая проделанная работа.
Так вот, насчет процесса самообучения. В любом случае будет некоторая база, в математике называемая сигнатурой, с помощью которой образуется "пространство поиска". Допустим, что эта сигнатура включает в себя числа, векторы, матрицы, кванторы, функции (включая рекурсивные) и т.п.
Этого, конечно, недостаточно для прямого обучение (решения головоломок). Однако, если использовать критерий информации, то обучение становится более реалистичным. Скажем, если использование некоторой подобранной функции (признака) позволяет более кратко описать значимую часть обучающих изображений, то для нее можно сделать определение и добавить ее к сигнатуре. Например, простая симметрия позволяет описывать изображения до 2 раз компактнее.
Если мы используем информацию на уровне пикселей в качестве критерия описания задач, то это и будет тот самый парсинг. Можно использовать информацию и на более высоких уровнях - в общем виде это близко к процессу декомпозиции. Если исходить из этих соображений, то возможность полного самообучения зависит от того, присутствуют ли "признаки" в достаточном количестве в достаточно простых примерах (с учетом уже ранее выделенных "признаков"). Если это не так, то просматриваются проблемы не только с вычислительными ресурсами, но и с самой возможностью самообучения.
|
|
|
