# SAGE: Khắc phục sai lệch trong suy luận dài hạn thông qua hướng dẫn cấu trúc topo

- Nguồn: Hugging Face Daily Papers
- Thời gian phát hành: 2026-09-28 07:00 (giờ Việt Nam)
- Điểm AI: 85/100
- Link AIHOT.vn: https://aihot.vn/items/f22ddbf236cf8e14
- Link gốc: https://arxiv.org/abs/2609.30192

## Tóm tắt AI

Nghiên cứu giới thiệu khung SAGE giúp giảm thiểu sai lệch trong suy luận dài hạn của LLM bằng cách sử dụng Symbolic Closure Analysis để điều chỉnh quá trình khám phá và ngăn chặn lỗi tích lũy.

## Thân bài

[Xem PDF](https://arxiv.org/pdf/2609.30192) [HTML (thử nghiệm)](https://arxiv.org/html/2609.30192v1)

> Tóm tắt: Suy luận dài hạn vẫn là một thách thức trọng tâm đối với các mô hình ngôn ngữ lớn (LLM) trong các môi trường có phần thưởng thưa thớt. Chúng tôi lập luận rằng sự thiếu ổn định này nảy sinh từ hai thiên kiến do không gian suy luận phức tạp gây ra: thiên kiến khám phá, nơi các mô hình bị thu hút vào các nhánh có vẻ hợp lý cục bộ nhưng không ổn định về cấu trúc, và thiên kiến tích lũy, nơi các sai lệch nhỏ cục bộ tích tụ theo độ sâu và triệt tiêu các phần thưởng hiếm hoi. Chúng tôi giới thiệu Symbolic Closure Analysis (SCA) như một lăng kính lý thuyết để mô tả cách các cấu trúc phân nhánh và phần thưởng thưa thớt tạo ra những thiên kiến này trong suy luận dài hạn với tính chấp nhận cục bộ, đồng thời là nguyên tắc thiết kế cho các tiền đề cấu trúc trong các tác vụ suy luận ít trang trọng hơn. Dựa trên phân tích này, chúng tôi đề xuất SAGE (Structural Admissibility-Guided Exploration), một khung thống nhất đưa ra sự hướng dẫn về cấu trúc để giảm thiểu thiên kiến khám phá và thiên kiến tích lũy trong suy luận dài hạn. SAGE kết hợp hai sự hướng dẫn cấu trúc bổ trợ: làm thưa đại số (algebraic sparsification), giúp chiếu các ứng viên chấp nhận được cục bộ lên các không gian con đại số được đánh chỉ số toán tử để ngăn chặn việc phân nhánh sai lệch và giảm thiểu thiên kiến khám phá; và hướng dẫn cấu trúc hyperbolic, giúp nhúng các trạng thái suy luận vào một không gian có độ cong âm để cung cấp các tín hiệu dày đặc theo chiều sâu và giảm thiểu thiên kiến tích lũy. Qua 12 bộ tiêu chuẩn đánh giá và 7 dòng mô hình, SAGE vượt trội hơn các phương pháp cơ sở cạnh tranh. Đặc biệt, SAGE đạt được mức cải thiện lên tới 8 lần trong bài toán Andrews-Curtis, một tác vụ dài hạn thực tế đang mở. Mã nguồn có sẵn tại: [đường dẫn này](https://github.com/Susan571/SAGE-NeurIPS2026).

| Bình luận: | Được chấp nhận bởi NeurIPS 2026 |
| --- | --- |
| Chủ đề: | Trí tuệ nhân tạo (cs.AI) |
| Trích dẫn là: | arXiv:2609.30192 [cs.AI] |
|  | (hoặc arXiv:2609.30192v1 [cs.AI] cho phiên bản này) |
|  | https://doi.org/10.48550/arXiv.2609.30192 DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) |

### Lịch sử gửi bài

Từ: Xinyue Zeng [xem email](https://arxiv.org/show-email/9492ab11/2609.30192)] [v1] Thứ Năm, 24 tháng 9 năm 2026 17:33:29 UTC (8.457 KB)