BDH-CQ rozwiązuje wizualne łamigłówki bez zapisywania toku myślenia
Większość modeli sztucznej inteligencji radzi sobie ze złożonymi problemami, opisując słowami kolejne etapy rozumowania. Eksperymentalny model BDH-CQ testuje odmienne podejście: wykonuje obliczenia wewnętrznie, nie generując po drodze tekstowego łańcucha myśli.
Jak wynika z pracy opublikowanej w serwisie arXiv, system sprawdzono na publicznym zbiorze ARC-AGI-1. Test polega na wywnioskowaniu reguł wizualnych na podstawie kilku przykładów i zastosowaniu ich do zupełnie nowej planszy. Przy dwóch próbach na zadanie BDH-CQ poprawnie rozwiązał niemal trzy na dziesięć łamigłówek.
Zamiast dopisywać kolejne przykłady do stale rosnącego kontekstu, model zapisuje kluczowe informacje w pamięci o stałym rozmiarze. Dzięki temu nie musi za każdym razem analizować od początku całego dotychczasowego materiału. „Kiedy pojawia się zadanie, model w ogóle nie zapisuje swojego rozumowania słowami” — wyjaśniła na łamach Science News Zuzanna Stamirowska, szefowa rozwijającej projekt firmy Pathway.
Skuteczność systemu różniła się w zależności od typu zadania. BDH-CQ radził sobie lepiej z przekształceniami przestrzennymi, takimi jak obracanie czy przesuwanie figur, natomiast trudność sprawiały mu zmiany kolorów oraz bardziej złożone kombinacje reguł.
Autorzy publikacji oszacowali koszt rozwiązania pojedynczej łamigłówki na około 0,00070 dolara, zestawiając go z wyliczeniami dla modelu GPT-5.6 Luna. Według tych szacunków koszt BDH-CQ stanowił około jedną jedenastą kosztu GPT-5.6 Luna. Bezpośrednie porównanie jest jednak obarczone ryzykiem, ponieważ oba wyniki uzyskano przy użyciu odmiennych metod kalkulacji.
Praca nie przeszła dotąd formalnej recenzji naukowej. Niezależni eksperci zwracają uwagę, że BDH-CQ został zaprojektowany specjalnie do zadań w stylu ARC, przez co uzyskane wyniki nie stanowią dowodu na ogólną zdolność rozumowania bez użycia języka. Na obecnym etapie trudno też oddzielić wpływ samej architektury od zastosowanej metody trenowania.
Brak tekstowego toku myślenia utrudnia również kontrolę. Choć jawny zapis nie zawsze wiernie oddaje rzeczywisty przebieg obliczeń w sieciach neuronowych, całkowite ukrycie procesu w pamięci modelu utrudnia weryfikację tego, jak system doszedł do końcowej odpowiedzi.
