Neue Methode steigert KI‑Mathematiklösungen durch gezielte Strategieauswahl

In der KI‑gestützten Mathematik bleibt die Nutzung von Beispiel‑Strategien oft unzuverlässig. Forscher haben herausgefunden, dass die Instabilität nicht an der Richtigkeit der Anleitung liegt, sondern an einer bislang wenig beachteten Lücke zwischen der tatsächlichen Verwendung einer Strategie und ihrer Ausführbarkeit im Modell.

Durch einen kontrollierten Vergleich von menschlich verfassten und modellgenerierten Lösungen zeigte sich, dass Menschen und Maschinen unterschiedliche, domänenspezifische Muster in ihren Strategien nutzen. Diese Unterschiede führen dazu, dass eine Strategie, die bei Menschen erfolgreich ist, beim Modell nicht immer wirkt – und umgekehrt.

Auf dieser Diagnose basiert die neue Methode Selective Strategy Retrieval (SSR). SSR wählt gezielt Strategien aus, die für das Zielmodell am besten geeignet sind, und kombiniert sie mithilfe mehrerer empirischer, quellenbewusster Signale. In Tests auf mehreren mathematischen Benchmarks erzielte SSR bis zu 13 Punkte mehr als reine In‑Context‑Learning‑Ansätze und 5 Punkte mehr als ein‑Quellen‑Guidance, insbesondere bei kompakteren Modellen.

Der komplette Code sowie die Benchmarks sind frei verfügbar unter https://github.com/lwd17/strategy-execute-pipeline, sodass die Community die Methode sofort ausprobieren und weiterentwickeln kann.