详细内容或原文请订阅后点击阅览
llms尝试推理：基于文本和视觉的抽象实验
大型语言模型可以学会从几个示例中抽象地推理？在本文中，我通过在抽象网格转换任务上测试基于文本的（O3-MINI）和具有图像能力的模型（GPT-4.1）模型来探讨这个问题。这些实验揭示了当前模型依赖于模式匹配，程序启发式和象征性快捷方式而不是强大的概括的程度。即使有多模式输入，推理也经常在微妙的抽象面前分解。结果为使用LLM的当前功能和局限性提供了一个窗口。当LLMS尝试推理的帖子：基于文本和视觉的抽象中的实验首先出现在数据科学方面。
来源:走向数据科学模型学会从几个示例中抽象地推理？在本文中，我通过在抽象网格转换任务上测试基于文本的（O3-MINI）和具有图像能力的模型（GPT-4.1）模型来探讨这个问题。这些实验揭示了当前模型依赖于模式匹配，程序启发式和象征性快捷方式而不是强大的概括的程度。即使有多模式输入，推理也经常在微妙的抽象面前分解。结果为使用LLM的当前功能和局限性提供了一个窗口。
简介
元学习，系统学习如何学习的能力，传统上是通过基于梯度的优化，内存增强网络或明确的任务嵌入来探索的。但是，随着大语言模型（LLM）的兴起，尤其是具有高级推理能力的O3家族，出现了一个新问题：我们可以将LLM自己用作诸如ARC之类的基于任务的域中的元学习者吗？ FrançoisChollet引入的抽象和推理语料库（ARC）是一种明确设计的基准，用于测试广泛的概括。它提供了最小的监督，每个任务的示例很少，并且在任务之间通常没有共享的表面级结构，提供了输入输出转换难题。换句话说：元学习的操场。为了了解典型的抽象和推理任务，读者可以访问ARC Play页面。
弧 页数据和设置
O3-Mini
ARC奖2025 Kaggle竞赛
在这里
每个任务提供：
一些培训示例（输入和输出2D网格）一个单个测试输入网格，该网格必须预测相应的输出
一些培训示例（输入和输出2D网格）
培训示例
输入
输出
测试输入
matplotlib
gpt-4.1
提示_REASAN
O3-Mini
ARC奖2025 Kaggle竞赛
在这里
- 每个任务提供：
培训示例
输入
输出
测试输入
matplotlib
gpt-4.1提示_REASAN