Neue Methode verbessert mathematische Verifikation durch zeitliche Konsistenz

Verifikation ist ein entscheidender Schritt, wenn es darum geht, mathematische KI‑Modelle zuverlässig einzusetzen. In einer kürzlich veröffentlichten Studie wird eine neue Methode vorgestellt, die die Genauigkeit der Verifikation durch die konsequente Nutzung von zeitlicher Konsistenz steigert.

Im Gegensatz zu herkömmlichen Ein‑Rund‑Verifikationen oder Multi‑Model‑Debatten nutzt die Technik eine iterative Schleife, bei der ein Verifikator seine Einschätzung auf Basis der vorherigen Bewertung verfeinert. Durch diese fortlaufende Selbstreflexion entsteht eine Sequenz von Entscheidungen, die die Konsistenz und damit die Zuverlässigkeit der Ergebnisse deutlich erhöht.

Die Methode wurde an einer Reihe von mathematischen Prozess‑Fehler‑Erkennungs‑Benchmarks getestet, darunter Mathcheck, ProcessBench und PRM800K. In allen Fällen zeigte sie konsistente Verbesserungen gegenüber bestehenden Baselines. Besonders beeindruckend ist die Leistung bei den kürzlich veröffentlichten DeepSeek R1‑Distillationsmodellen: 7‑Billionen‑ und 8‑Billionen‑Parameter‑Modelle übertrafen sogar die 70‑Billionen‑ und 72‑Billionen‑Modelle sowie GPT‑4o auf ProcessBench. Ein 14‑Billionen‑Parameter‑Distillationsmodell erreichte zudem eine Leistung, die mit DeepSeek‑R1 vergleichbar ist.

Der komplette Code der Studie ist auf GitHub verfügbar: https://github.com/jcguo123/Temporal-Consistency.