天啊……這篇來自MIT的論文靜靜地解釋了模型如何在完全卡住的情況下自我學習推理 🤯 核心思想看似簡單： 推理失敗是因為學習沒有任何依據可依賴。 當模型的成功率降到接近零時，強化學習就無法運作。沒有獎勵信號。沒有梯度。沒有改進。模型並不是「推理能力差」——它被困在可學習性的邊緣之外。 這篇論文重新框架了這個問題。 他們不再問「我們如何讓模型解決更難的問題？」 而是問：「模型如何創造可以學習的問題？」 這就是SOAR的用武之地。 SOAR將一個預訓練的模型分為兩個角色： • 一個嘗試極難目標問題的學生 • 一個為學生生成新訓練問題的老師 但這個限制是殘酷的。 老師不會因為聰明的問題、多樣性或現實性而獲得獎勵。 只有當學生在一組固定的真實評估問題上表現改善時，才會獲得獎勵。 沒有改進？沒有獎勵。 這完全改變了動態。 老師不再優化美學或新穎性。 而是優化學習進展。 隨著時間的推移，老師發現了一些人類通常手動編碼的東西： 中間問題。 不是目標任務的解決版本。 不是簡化的副本。 而是剛好在學生當前能力邊界內的問題——足夠接近以便學習，卻又足夠遠以便重要。 這裡有個驚人的部分。 那些生成的問題不需要正確答案。 它們甚至不需要老師能解決。 重要的是結構。 如果問題迫使學生朝正確的方向推理，即使沒有完美的監督，梯度信號也會出現。學習是通過掙扎而非模仿發生的。 這就是為什麼SOAR在直接強化學習失敗的地方有效。 學生不是撞上獎勵懸崖，而是攀登一個它幫助建造的樓梯。 實驗清楚地表明了這一點。 在模型從絕對零開始的基準上——字面上是0次成功——標準方法平穩無波。使用SOAR時，隨著課程圍繞模型的內部知識重塑，表現開始穩步上升。 這是一個安靜但激進的轉變。 我們通常認為推理受到模型大小、數據規模或訓練計算的限制。 這篇論文提出了另一個瓶頸： 糟糕的學習環境。 如果模型能夠生成自己的踏腳石，許多「推理限制」就不再是限制。 不需要新的架構。 不需要額外的人類標籤。 不需要更大的模型。 只需要更好的激勵來促進學習的展開。 不舒服的含義是： 推理的平臺並不是根本性的。 它們是自我造成的。 而前進的道路不是強迫模型更努力思考，而是讓它們決定接下來學習什麼。

Grok 4.1 是唯一擁有實時網絡 + X 數據的 AI。 我用它來追蹤熱門話題、病毒式迷因和突發新聞。 在它們進入主流之前，我發現了 3 個病毒趨勢，提前 6 小時。 以下是 12 個 Grok 提示，預測接下來會流行的內容：

天啊……史丹佛剛剛展示了為什麼大型語言模型聽起來聰明，但在現實挑戰下卻會失敗。 這篇論文探討了一個殘酷的失敗模式，所有建立代理的人都見過：給模型一個不明確的任務，它會愉快地幻想缺失的部分，產出一個看起來流暢的計劃，但在執行時卻崩潰。 核心見解很簡單，但對於僅依賴提示的方法來說卻是毀滅性的：當前提條件未知時，推理會中斷。而大多數現實世界的任務充滿了未知。 史丹佛的解決方案稱為自我查詢雙向類別規劃（SQ-BCP），它迫使模型停止假裝自己知道它們不知道的事情。 每個行動明確追蹤其前提條件，分別為： • 滿足 • 違反 • 未知 未知是關鍵。當模型遇到未知時，它不被允許繼續。 它必須要麼： 1. 提出一個針對性的問題來解決缺失的事實 或 2. 提出一個橋接行動，首先建立條件（測量、檢查、準備等） 只有在所有前提條件解決後，計劃才能繼續。 但這裡的真正突破是：計劃不會因為看起來接近目標而被接受。 只有在通過使用類別理論的拉回檢查的正式驗證步驟後，計劃才會被接受。相似性分數僅用於排名，從不用於正確性。 翻譯：漂亮的計劃不算數。可執行的計劃才算數。 結果非常驚人。 在WikiHow和RecipeNLG任務中，隱藏約束的情況下： • 資源違規從26%降至14.9% • 以及15.7%降至5.8% 同時保持競爭力的質量分數。 更多的搜索沒有幫助。 更長的思考鏈沒有幫助。 即使是自我詢問也仍然錯過了約束。 實際上有效的是將不確定性視為一等公民，並拒絕在未解決之前繼續前進。 這篇論文靜靜地劃定了一條界線： 代理失敗不是關於模型大小。 而是關於假裝不完整的信息是完整的。 如果你想要能行動的代理，而不僅僅是敘述，這就是前進的方向。