Escaping the Verifier: Learning to Reason via Demonstrations

Escaping the Verifier: Learning to Reason via Demonstrations

TL;DR: RARO teaches language models to reason from expert demonstrations - no task-specific verifier needed.

Many real tasks don’t have an automatic "checker." RARO (Relativistic Adversarial Reasoning Optimization) uses inverse reinforcement learning to learn from examples instead.

How it works: a policy tries to produce answers like the experts, while a relativistic critic doesn’t score answers in isolation - it compares model vs. expert side-by-side and learns to tell which is better. Both are trained together with RL, using stabilization tricks to keep learning steady.

Why it matters: RARO beat strong verifier-free baselines on logic (Countdown), math (DeepMath), and creative writing (poetry), and it scales as robustly as verifier-based RL.

If you have examples but no reliable checker, RARO turns those demonstrations into strong reasoning skills.

Paper: https://arxiv.org/abs/2511.21667v1

Paper: https://arxiv.org/abs/2511.21667v1

Register: https://www.AiFeta.com

#AI #LLM #ReinforcementLearning #InverseRL #Reasoning #NLP #MachineLearning #Research

Read more

Pieni kielimalli oppi kysymään taulukoilta ihmisen puolesta

Pieni kielimalli oppi kysymään taulukoilta ihmisen puolesta

Moni on tuijottanut Exceliä ja toivonut voivansa vain kysyä: missä kaupunginosissa koti on kävelymatkan päässä terveysasemasta ja ruokakaupasta? Ihmismielelle yksinkertainen pyyntö muuttuu helposti tuntien suodatukseksi ja kaavanviilaukseksi. Tietokone kyllä tietää vastauksen – jos vain osaisimme puhua sen kieltä. Viime vuosina apua on pyydetty juttelevalta tekoälyltä. Se osaa etsiä ja tiivistää tekstejä,

By Kari Jaaskelainen
Tekoäly vastaa fiksummin, kun sille annetaan oikea tieto oikealla tavalla

Tekoäly vastaa fiksummin, kun sille annetaan oikea tieto oikealla tavalla

Katsaus kokoaa, miten kielimalleja voi vahvistaa antamalla niille jäsenneltyä lisätietoa vastaushetkellä – yksinkertaisista vihjeistä aina syy–seurausketjuiksi järjestettyyn taustaan. Kuvittele, että pyydät tekoälyä selittämään, mitä uusi lakimuutos tarkoittaa pienyrittäjälle. Yleismallinen kielimalli osaa puhua aiheesta sujuvasti, mutta jos laki on muuttunut äskettäin, vastauksessa voi olla vanhaa tietoa tai epävarmoja arvailuja. Sama kokemus

By Kari Jaaskelainen
Tekoäly voi olla sekä nopea että säästeliäs – jos se oppii milloin ajatella ääneen

Tekoäly voi olla sekä nopea että säästeliäs – jos se oppii milloin ajatella ääneen

Kuvittele chat-ikkuna, jossa vastaus alkaa rönsyillä: ensin pari perustelua, sitten varmistus, lopulta vielä varmistuksen varmistus. Käyttäjä odottaa, laskutus juoksee. Tekoälymallit hinnoitellaan usein “tokeneina” – sananpaloina – joten jokainen turha kiemura maksaa sekä aikaa että rahaa. Vuosia alalla vallitsi hiljainen oletus: mitä enemmän mallilla on laskentatehoa ja mitä pidemmin se ”miettii”, sitä parempaa

By Kari Jaaskelainen