Ir para o conteúdo

Radar ·

Raciocínio latente em modelos de linguagem em loop

Artigo relata modelos em loop com 2,6 bilhões de parâmetros, treinados com mais de 7 trilhões de tokens, e desempenho equivalente ao de modelos de última geração duas a três vezes maiores.

Publicado em 30 de outubro de 2025, o artigo descreve o escalonamento de modelos de linguagem em loop para 2,6 bilhões de parâmetros e seu treinamento com mais de 7 trilhões de tokens. Segundo o autor, o desempenho alcançado equivale ao de modelos de linguagem de última geração duas a três vezes maiores.

O resultado é relevante para engenheiros que investigam arquiteturas em loop como forma de escalar modelos de linguagem. Para avaliar a alegação, consulte o artigo original e verifique como ele define a comparação de desempenho, quais avaliações apresenta e em que condições os resultados foram obtidos; esses detalhes não constam no resumo disponível.

Fonte original: Escalando o raciocínio latente com modelos de linguagem em loop

Curadoria · AgentLog

Receba o essencial

Privacidade, engenharia de IA e segurança no seu e-mail.

No máximo um resumo por dia, quando houver novidades. Cancele quando quiser. Usamos o e-mail verificado da sua conta.

Privacidade

Procurando outra coisa?AjudaContato