Post by @littledetritus@geraffel.social

2026-09-27 09:59 UTC

@isotopp@infosec.exchange @publictorsten@mastodon.social @masek@infosec.exchange +1 ähnliches gibt es im Bereich industrial AI kannst du eigentlich nicht aus Daten lernen. Die Prozessgüte in der Produktion sorgt dafür, dass du zwar viele Daten hast aber keine Informationen gewinnst weil die Entropie in den Daten zu gering ist. Die Modelle werden auf synthetisierten "Was ist zu tun wenn" Ansätzen trainiert und lieferst dann Prozessdaten zu. Ist work in Progress, wäre für die erwähnten Beispiele dankbar.

Replies (1)

@isotopp@infosec.exchange 2026-09-27 11:36

@littledetritus@geraffel.social @publictorsten@mastodon.social @masek@infosec.exchange Da gibt es eine ganze Serie, ausgelöst durch https://arxiv.org/abs/2306.11644; eine systematische Untersuchung https://proceedings.iclr.cc/paper_files/paper/2026/hash/34513b876a431d011ff5024b71ec7087-Abstract-Conference.html; die Tinycode-Modelle https://proceedings.iclr.cc/paper_files/paper/2025/hash/e43f900f571de6c96a70d5724a0fb565-Abstract-Conference.html; und insbesondere VibeThinker, https://arxiv.org/abs/2606.16140. Vibethinker ist ein Basismodell, Qwen2.5-Coder-3B, das dann auf ein spezielles Posttraining gesetzt wurde, das bestimmte Prozess- und Reasoning-Verfahren verstärkt. Es bleibt klein, 3B Parameter, aber schafft in LiveCodeBench v6: 80,2 Pass@1 und 96,1 Prozent Acceptance Rate auf zuvor ungesehenen aktuellen LeetCode-Contests. Zudem hat es extrem hohe Mathematik-Reasoning-Werte. Die Idee ist sicher auch auf andere passende Problem-Domains übertragbar.

Open ##5154482