SELR: Un framework unificato per il ragionamento latente auto-esplicativo
Uno studio recente pubblicato su arXiv (2608.13570) presenta Self-Explainable Latent Reasoning (SELR), un framework coeso progettato per addestrare un singolo modello per un ragionamento latente efficiente e intrinsecamente interpretabile. Mentre il ragionamento latente condensa un ragionamento esteso in embedding compatti, migliorando l'efficienza computazionale rispetto alla Catena di Pensiero (CoT) basata su testo, spesso manca di trasparenza. Gli approcci attuali o agiscono come scatole nere non spiegabili (come Coconut) o dipendono da decoder post-hoc separati (come Heima), che aggiungono complessità architetturale e separano la spiegazione dal ragionamento. SELR supera queste sfide con un innovativo obiettivo di addestramento multi-task che migliora simultaneamente efficienza e spiegabilità. Questo articolo è scritto da un team di ricercatori ed è stato annunciato come una sottomissione cross-type su arXiv.
Fatti principali
- L'articolo arXiv:2608.13570 introduce Self-Explainable Latent Reasoning (SELR).
- SELR addestra un singolo modello per un ragionamento latente efficiente e intrinsecamente spiegabile.
- Il ragionamento latente comprime il ragionamento in embedding, offrendo efficienza computazionale rispetto alla CoT basata su testo.
- Metodi esistenti come Coconut sono scatole nere non spiegabili.
- Metodi esistenti come Heima usano decoder post-hoc, aggiungendo overhead e disaccoppiando la spiegazione.
- SELR usa un nuovo obiettivo di addestramento multi-task che ottimizza due obiettivi simultaneamente.
- L'articolo è stato annunciato come una sottomissione cross-type su arXiv.
- Il tipo di annuncio è 'cross'.
Entità
Istituzioni
- arXiv