第168章 重启SLRM研究 四(2/2)
徐辰嘴角勾起一抹玩味的笑容。
这就像是给一辆五菱宏光装上了曲率引擎，然后去纽北赛道上跟法拉利飙车。
……
第一战：SNLI。
原本，Qwen-7B在面对一些带有否定词或双重否定的句子时，经常会晕头转向。
但现在，每当Qwen-7B生成一个推理步骤，SLRM就会在后台的高维几何空间里构建一个「逻辑盒子」。如果下一步的推理超出了这个盒子的范围，SLRM会立刻施加惩罚梯度，强迫它修正逻辑。
测试开始。
进度条走动。
最终分数定格：94.5%。
「嘶……」徐辰自己都吸了口凉气。
原始水平：~75%。
加持后：94.5%。
GPT-4水平：~92%。
「在NLI这种基础任务上，直接超越了SOTA（当前最佳）！」
……
第二战：LogiQA。
这是一个硬骨头。题目全是类似「如果A去，B就不去；如果B不去，C必须去……」这种绕口令。
Qwen-7B原始水平大约是38%，这个水平基本就是蒙的。
GPT-4的水平大约是76%。
徐辰加载模型，运行测试。
十分钟后。
最终分数：81.2%。
翻倍！直接翻倍！
在这个榜单上，即便是千亿参数的LLaMA-3-70B，也还在65%左右徘徊。徐辰用7B的模型，跑出了比GPT-4还高5个点的成绩！
……
第三战：ProofWriter。
这是终极考验。不仅要对，还要对得有理有据。
Qwen-7B原始水平大约是45%，会经常胡编乱造证明过程）。
LAART (Qwen-7B + SLRM)：98.4%。
「98.4%……」
徐辰看着这个数字，忍不住感叹SLRM的逻辑能力确实够强。
「虽然推理速度慢得像蜗牛，泛化能力也有限，但在『逻辑严谨性』这一块，它就是当之无愧的王者。」
「有了这些数据，这篇论文，稳了。」
……
随着徐辰将一份份测试结果上传到Hugging Face的Leaderboard，整个AI界，再次被那个神秘的「X」给震动了。
这一次，不再是CLUTRR一个榜单的孤立事件。
SNLI丶LogiQA丶ProofWriter……
几乎所有主流的丶公认最难啃的逻辑推理榜单，在一夜之间，全部被那个简单的字母「X」给血洗了！
而且，分数不是微弱的领先，而是断层式的碾压！
在LogiQA这种「智商测试」榜单上，X的模型甚至比第二名高出了整整5个百分点！
那一连串绿色的「New SOTA」标志，就像是一排排闪烁的霓虹灯，刺痛了所有AI巨头的眼睛。
更可怕的是，这些成绩的背后，依然没有公开任何模型权重，没有一行代码，甚至连那个「X」到底是谁，依然是个谜。
……