ニュース
CRoS: Causality Reward on Scrambled CoTs Improves Accuracy and Reasoning Faithfulness
arXiv cs.AI · 公開日 · 読了3分
30秒で要点
- 何が起きたか
- CRoS method improves language model reasoning by rewarding chain-of-thought steps based on scrambled order rather than deletion, achieving 46.8% accuracy on unseen logic tasks.
- なぜ重要か
- Matters for engineers training reasoning models with reinforcement learning who want better out-of-domain generalization and more faithful intermediate reasoning steps.
- 注意点
- Method tested only on Gemma-3-4B model; unclear how well scrambling-based causality transfers to larger models or different reasoning domains beyond logic and games.
- language model
- reasoning
- reinforcement learning
- rlvr
この話題の背景にあるパターン
各ページで、技術の仕組み、コストに見合う場面、そして破綻する条件を解説しています。
The Agent Architect
1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。
週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。