Всем абдукции в этом чате. Без абстинентного синдрома.
Wiring the ‘Why’: A Unified Taxonomy and Survey of Abductive Reasoning in LLMs
Moein Salimi, Shaygan Adim, Danial Parnian, Nima Alighardashi, Mahdi Jafari Siavoshani, Mohammad Hossein Rohban
Paper: https://arxiv.org/abs/2604.08016v2
Code: N/A
Model: N/A
# TL;DR
ЧТО сделали: Авторы подготовили первый масштабный обзор и эмпирический анализ абдуктивного мышления (abductive reasoning) в языковых моделях (LLM). Чтобы устранить понятийную путаницу в ML-сообществе, авторы формализовали концептуальный фреймворк, разделяющий абдукцию на два ключевых этапа: генерацию гипотез (Hypothesis Generation) и их отбор (Hypothesis Selection) на основе вывода к наилучшему объяснению (Inference to the Best Explanation, IBE). На основе этого фреймворка классифицировано более 60 работ по четырём осям, проведено тестирование 11 семейств открытых и закрытых моделей (от 3B до 72B параметров) и выполнен мета-анализ соотношения абдуктивных, дедуктивных и индуктивных способностей.
ПОЧЕМУ это важно: Абдуктивное мышление — то есть поиск наиболее вероятного объяснения для неожиданного наблюдения — лежит в основе медицинской диагностики, научных открытий, юриспруденции и поиска неисправностей. До сих пор в AI-исследованиях абдукцию трактовали фрагментарно: простой выбор из вариантов ответа путали с настоящей генерацией гипотез или ошибочно полагали, что сильная дедукция автоматически гарантирует абдуктивные навыки. Работа закладывает единый фундамент в этой области, эмпирически доказывая: высокий скор в дедукции не означает наличия абдуктивных способностей, а при переходе от выбора готовых гипотез к генерации объяснений «с нуля» качество работы LLM резко падает.
Для практиков: Для разработчиков и исследователей, создающих сложные reasoning-системы, обзор наглядно показывает: современные LLM отлично справляются с выбором гипотез в закрытом формате, но теряются при генерации объяснений с нуля в открытых сценариях и длинном контексте. Стандартный файнтюнинг (SFT) и обучение по максимальному правдоподобию не оптимизируют модель под фундаментальные критерии качественного объяснения (лаконичность, непротиворечивость, причинно-следственная логика). Чтобы перейти от поверхностного сопоставления паттернов к настоящему абдуктивному выводу, индустрии нужен сдвиг в сторону RL с процессуальными вознаграждениями (process rewards), интерактивных бенчмарков в узких доменах (медицина, право), мультиагентных систем и интерпретируемости на уровне нейронных контуров (circuits).
Абдуцировать тут: https://t.me/gonzo_ML_podcasts/4785
Wiring the ‘Why’: A Unified Taxonomy and Survey of Abductive Reasoning in LLMs
Moein Salimi, Shaygan Adim, Danial Parnian, Nima Alighardashi, Mahdi Jafari Siavoshani, Mohammad Hossein Rohban
Paper: https://arxiv.org/abs/2604.08016v2
Code: N/A
Model: N/A
# TL;DR
ЧТО сделали: Авторы подготовили первый масштабный обзор и эмпирический анализ абдуктивного мышления (abductive reasoning) в языковых моделях (LLM). Чтобы устранить понятийную путаницу в ML-сообществе, авторы формализовали концептуальный фреймворк, разделяющий абдукцию на два ключевых этапа: генерацию гипотез (Hypothesis Generation) и их отбор (Hypothesis Selection) на основе вывода к наилучшему объяснению (Inference to the Best Explanation, IBE). На основе этого фреймворка классифицировано более 60 работ по четырём осям, проведено тестирование 11 семейств открытых и закрытых моделей (от 3B до 72B параметров) и выполнен мета-анализ соотношения абдуктивных, дедуктивных и индуктивных способностей.
ПОЧЕМУ это важно: Абдуктивное мышление — то есть поиск наиболее вероятного объяснения для неожиданного наблюдения — лежит в основе медицинской диагностики, научных открытий, юриспруденции и поиска неисправностей. До сих пор в AI-исследованиях абдукцию трактовали фрагментарно: простой выбор из вариантов ответа путали с настоящей генерацией гипотез или ошибочно полагали, что сильная дедукция автоматически гарантирует абдуктивные навыки. Работа закладывает единый фундамент в этой области, эмпирически доказывая: высокий скор в дедукции не означает наличия абдуктивных способностей, а при переходе от выбора готовых гипотез к генерации объяснений «с нуля» качество работы LLM резко падает.
Для практиков: Для разработчиков и исследователей, создающих сложные reasoning-системы, обзор наглядно показывает: современные LLM отлично справляются с выбором гипотез в закрытом формате, но теряются при генерации объяснений с нуля в открытых сценариях и длинном контексте. Стандартный файнтюнинг (SFT) и обучение по максимальному правдоподобию не оптимизируют модель под фундаментальные критерии качественного объяснения (лаконичность, непротиворечивость, причинно-следственная логика). Чтобы перейти от поверхностного сопоставления паттернов к настоящему абдуктивному выводу, индустрии нужен сдвиг в сторону RL с процессуальными вознаграждениями (process rewards), интерактивных бенчмарков в узких доменах (медицина, право), мультиагентных систем и интерпретируемости на уровне нейронных контуров (circuits).
Абдуцировать тут: https://t.me/gonzo_ML_podcasts/4785