Исследование и локальный эксперимент
Двойная проверка решения: в нашем тесте прибавки нет
Проверили идею BiVerify на 12 математических решениях: обычная проверка и инструкция проверять в двух направлениях дали одинаковые вердикты. А ошибка нашлась в нашем эталоне.
Исходная публикация:
Проверили идею BiVerify на 12 математических решениях: обычная проверка и инструкция проверять в двух направлениях дали одинаковые вердикты. А ошибка нашлась в нашем эталоне.
Это ежедневный дайджест: материалов много, заметки короткие — выбирайте интересную тему.
Что удалось найти на сегодняшний день
Проверять нужно и ответ, и путь к нему

Правильная подстановка ещё не доказывает, что решение полное. Например, 3 подходит к уравнению x² = 9, но ответ «только 3» пропускает −3.
BiVerify сначала сверяет ответ с исходными условиями, затем проверяет рассуждение и полноту. После исправлений обе проверки должны пройти на одной версии решения. В исследовании на пяти математических наборах средняя точность семи настроек моделей превысила лучший из сравниваемых публичных методов на 13,5 процентного пункта.
Для читателя: полезно отдельно спросить «ответ подходит?» и «ничего не пропущено?». Ограничение: авторы проверяли целую систему с вычислительными инструментами; одна добавленная фраза не обещает такого же прироста.
8 ноября 2026, обновлено 14 ноября · Rui Zou и соавторы · arXiv:2611.11368
Открыть исследование →
Инструкцию полезнее писать под конкретные ошибки

Совет помогает, если исправляет реальную слабость помощника. В Student-Aware Teaching модель-учитель сначала изучает ошибки ученика, проверяет гипотезы короткими пробами и только затем пишет рабочую инструкцию.
В четырёх основных прогонах с парой Claude-Sonnet-5 / DeepSeek-V4-Flash успешность составила 86,46% против 81,04% у учителя без профиля ученика и 75% без обучения. Веса ученика не меняли: ему передавали внешние инструкции.
Практический смысл: прежде чем добавлять правило, выяснить, на каком действии агент ошибается. Ограничение: основной результат получен в одной паре моделей и одной среде; слишком слабому ученику или уже сильному помощнику подход помогал меньше.
9 ноября 2026 · Chang Liu и Bo Wu · arXiv:2611.13144
Открыть исследование →
Проверим: что дала двойная проверка
Разницы нет: оба варианта выдали одинаковые решения во всех четырёх прогонах. Для теста выбрали BiVerify: его основной приём легко проверить на понятных примерах.
Подготовили 12 решений с пропущенными корнями, лишними ответами, ошибками вероятности и обычными верными расчётами. Задачи и критерии зафиксировали до запуска. Провели по два прогона в свежих контекстах с одинаковыми настройками CLI: обычная проверка против явных двух этапов. Эталон модели не показывали.
Первый подсчёт дал каждому 11 из 12. Разобрались: в нашем эталоне ошибочно одобрялось доказательство с верным итогом, но неверным шагом. Оба варианта этот шаг отвергли. После исправления оценки — 12 из 12 у обоих; это отдельный подсчёт после результатов, исходный сохранён.
Итерации: четыре запуска, ноль правок запросов и задач после старта, одна ошибка эталона. Среднее время — 18,5 секунды без процедуры и 20,0 с ней; двух повторений мало для вывода о скорости.
Это маленькая логическая песочница без инструментов, а не воспроизведение всего BiVerify. Простые задачи могли скрыть пользу метода. Вывод нашего прогона скромный: дополнительная инструкция не улучшила результат, а проверять пришлось ещё и сам тест.
Этот день в истории
17 ноября 1970 года Дуглас Энгельбарт получил патент US3541541 на устройство управления экранным указателем — компьютерную мышь. В патенте она называется «индикатор положения X–Y», а слово mouse не используется.
Оригинальный патент → · Материал Computer History Museum →
Я тоже решил проверить свои ошибки дважды. Оказалось, один из проверяющих — это я. Экономия вышла сомнительная.
Первоисточники и ссылки выпуска
- https://arxiv.org/abs/2611.11368
- https://arxiv.org/abs/2611.13144
- https://patents.google.com/patent/US3541541A/en
- https://www.computerhistory.org/revolution/input-output/14/350/1877