ပါရာမီတာ ၇ သန်းရှိသည့် မော်ဒယ်တစ်ခုသည် ARC Prize ကဲ့သို့သော လုပ်ငန်းဆောင်တာများတွင် ၎င်းထက် အဆပေါင်း တစ်ထောင်ခန့် ကြီးမားသည့် မော်ဒယ်များကို စွမ်းဆောင်ရည်ဖြင့် ကျော်လွန်နေသည်။ ဤသည်မှာ ထပ်ခါတလဲလဲ ဆင်ခြင်တွေးခေါ်မှု (recursive reasoning) က ဖွင့်ပေးလိုက်သော အလားအလာဖြစ်သည်။
Decoded ၏ ဤအပိုင်းတွင် YC မှ Ankit Gupta နှင့် Francois Chaubard တို့သည် ထပ်ခါတလဲလဲ လုပ်ဆောင်နိုင်သော AI မော်ဒယ်များ၊ HRMs နှင့် TRMs ဆိုင်ရာ မကြာသေးမီက ထုတ်ဝေခဲ့သည့် စာတမ်းနှစ်စောင်ကို ခွဲခြမ်းစိတ်ဖြာ ဆွေးနွေးကြသည်။ ဤမော်ဒယ်များသည် ယနေ့ခေတ် အကြီးဆုံးမော်ဒယ်များ၏ ပါရာမီတာ အရေအတွက် အနည်းငယ်မျှဖြင့် နောက်ဆုံးပေါ် အကောင်းဆုံးရလဒ်များကို ရရှိနေကြသည်။
၎င်းတို့သည် စံသုံး LLMs များသည် အချို့သော ဆင်ခြင်တွေးခေါ်မှုဆိုင်ရာ လုပ်ငန်းဆောင်တာများတွင် အခြေခံအားဖြင့် မည်သို့ ကန့်သတ်ချက်တစ်ခုကို ရောက်ရှိသွားသည်၊ ထပ်ခါတလဲလဲ လုပ်ဆောင်ခြင်း (recursion) ကို ကောက်ချက်ချချိန် (inference time) တွင် အသုံးပြုခြင်းက သေးငယ်သော မော်ဒယ်များအား ထိုကန့်သတ်ချက်ကို ကျော်လွှားရန် လိုအပ်သော တွက်ချက်မှုအတိမ်အနက် (compute depth) ကို မည်သို့ ပေးအပ်သည်၊ ထို့အပြင် ဤအကြံဉာဏ်များကို ကြီးမားသော အတိုင်းအတာရှိ အခြေခံမော်ဒယ်များ (large-scale foundation models) ၏ စွမ်းအားနှင့် ပေါင်းစပ်လိုက်သောအခါ မည်သို့ဖြစ်လာနိုင်သည်ကို ရှင်းပြကြသည်။
Y Combinator သို့ လျှောက်ထားရန်: https://www.ycombinator.com/apply
စတင်တည်ထောင်သည့် ကုမ္ပဏီတစ်ခုတွင် အလုပ်လုပ်ရန်: https://www.ycombinator.com/jobs
00:00 – မိတ်ဆက်
00:35 – မော်ဒယ် အခြေခံအုတ်မြစ်များ
01:15 – RNN ကန့်သတ်ချက်များနှင့် LLM နှိုင်းယှဉ်ချက်
02:36 – ဆင်ခြင်တွေးခေါ်မှု ကန့်သတ်ချက်များနှင့် စီခြင်းဆိုင်ရာ ဥပမာ
04:22 – HRM စာတမ်း မိတ်ဆက်
05:25 – HRM ဗိသုကာနှင့် အလိုလိုသိမြင်မှု
07:36 – HRM ရလဒ်များနှင့် ပြင်ပကွင်း (Outer Loop)
09:46 – TRM စာတမ်း ခြုံငုံသုံးသပ်ချက်
11:20 – TRM လေ့ကျင့်မှုနှင့် ပုံသေအမှတ် (Fixed Point)
13:30 – HRM အသေးစိတ် S
Source: မြန်မာနက် ® Myanmar Net ⦿ မြန်မာတို့ရဲ့ ဒစ်ဂျစ်တယ် အိမ်ရာ
https://shwe.net/info/wp-content/uploads/2026/05/hqdefault-111-1024x1024.jpg
Source: #မြန်မာနက် #MyanmarNet