AI और दुनिया की कठिन समस्याएँ · भौतिकी · arXiv · 2026-10-22

क्वांटम क्षेत्र सिद्धांत के लिए छोटे रीज़निंग मॉडल का फ़ाइन-ट्यूनिंग

मूल शीर्षक: Fine-Tuning Small Reasoning Models for Quantum Field Theory

लेखक सैद्धांतिक भौतिकी में सत्यापन योग्य समस्या-समाधान कार्यों पर LLMs के लिए रीइन्फ़ोर्समेंट लर्निंग (RL) और सुपरवाइज़्ड फ़ाइन-ट्यूनिंग (SFT) की पहली शैक्षणिक तुलना करते हैं, और प्राथमिक डोमेन के रूप में क्वांटम फ़ील्ड थ्योरी (QFT) को चुनते हैं। क्योंकि सत्यापन योग्य प्रशिक्षण डेटा दुर्लभ था, उन्होंने एक ऐसी डेटा जनरेशन पाइपलाइन बनाई जो न केवल 2,500 से अधिक सिंथेटिक समस्याएँ बनाती है, बल्कि प्रशिक्षण के लिए arXiv और मानक शैक्षिक संसाधनों से मौजूद मानव-रचित समस्याओं को अनुकूलित भी करती है। दोनों विधियाँ हर डेटासेट पर बेस मॉडल से बेहतर सुधार करती हैं, लेकिन SFT के लाभ इन-डिस्ट्रिब्यूशन सिंथेटिक कार्यों तक सीमित रहते हैं, जबकि RL बेहतर जनरलाइज़ करता है और मानव-अनुकूलित डेटासेट तथा TPBench पर SFT से बेहतर प्रदर्शन करता है, और लेखक अपनी डेटा पाइपलाइन, सत्यापन योग्य QFT प्रशिक्षण डेटा और लगभग 200M टोकन के QFT रीज़निंग ट्रेस जारी करते हैं, साथ ही प्रशिक्षण के दौरान चेन-ऑफ़-थॉट त्रुटियाँ कैसे विकसित होती हैं, इसका एक विश्लेषण भी प्रस्तुत करते हैं।

मूल लेख पढ़ें ↗

सभी आइटम →