Hacker News · 25.06.2026 ·Оркестрация агентов

Graph of Thoughts: новый подход к решению сложных задач через графовые структуры

Исследователи представили фреймворк Graph of Thoughts (GoT), который расширяет возможности LLM при решении комплексных задач. В отличие от линейных цепочек рассуждений, GoT позволяет модели комбинировать произвольные мысли в графовые структуры. Это дает возможность объединять результаты нескольких этапов обработки, возвращаться к предыдущим шагам и оптимизировать процесс поиска решения для сложных логических и алгоритмических задач.

Традиционные методы, такие как Chain-of-Thought, ограничены последовательным изложением, что часто приводит к потере контекста или ошибкам при работе с многоэтапными процессами. Фреймворк GoT позволяет модели динамически управлять графом мыслей: создавать узлы, объединять их и фильтровать наиболее перспективные ветки рассуждений. Такой подход значительно повышает качество генерации ответов в задачах, требующих глубокого планирования и проверки промежуточных результатов.

Архитектура системы включает в себя контроллер, который управляет процессом формирования графа, и набор инструментов для трансформации мыслей. Это позволяет разработчикам гибко настраивать логику рассуждений под конкретные домены, будь то написание кода, математическое моделирование или анализ сложных документов. Использование графов также упрощает отладку процесса мышления модели, делая каждый шаг прозрачным и поддающимся анализу.

Ключевые факты

Фреймворк позволяет модели объединять мысли в нелинейные структуры, что превосходит классические методы последовательного рассуждения.
Система поддерживает операции агрегации, когда несколько идей объединяются в одну, и операции оценки для выбора оптимального пути решения.
Реализация GoT дает возможность динамически изменять структуру графа в процессе генерации, адаптируясь к сложности поставленной задачи.
Подход значительно снижает вероятность галлюцинаций в задачах, требующих строгой логической последовательности и проверки промежуточных данных.

Источник: Hacker News

Обсудить с ИИ

Похожие материалы

Hacker News · Исследования и наука Новый метод обучения диффузионных моделей для улучшения логических рассуждений Исследователи представили метод Multi-Turn Reflective Masking (MTRM), направленный на повышение способности диффузионных моделей к логическому мышлению. Традиционные диффузионные модели часто сталкиваются с трудностями при решении задач, требующих многошагового планирования или последовательного вывода, так как они генерируют данные итеративно, опираясь на зашумленные представления. Новый подход меняет процесс обучения, внедряя механизм рефлексии в структуру маскирования. Hacker News · Модели и релизы Анализ процесса «мышления» моделей Gemini Исследователи получили доступ к скрытым этапам рассуждения моделей Gemini, которые обычно остаются скрытыми от пользователя. Анализ показал, что модель выполняет серию промежуточных шагов перед выдачей финального ответа, что проливает свет на внутренние механизмы обработки запросов и логику принятия решений в современных мультимодальных системах Google. arXiv · Модели и релизы DreamReasoner-8B: ускорение логических рассуждений через блочную диффузию Исследователи представили DreamReasoner-8B — открытую языковую модель, использующую метод блочной диффузии для генерации цепочек рассуждений (Chain-of-Thought). В отличие от стандартных авторегрессионных моделей, которые генерируют текст токен за токеном, блочные диффузионные модели позволяют выполнять параллельное шумоподавление сразу для нескольких сегментов текста. Это решение направлено на преодоление ограничений скорости при выполнении сложных логических задач, требующих длинных последовательностей рассуждений. arXiv · Исследования и наука Исследование возможностей мультимодального Chain-of-Thought Исследователи проанализировали эффективность метода пошаговых рассуждений (Chain-of-Thought, CoT) в мультимодальных моделях. Несмотря на то что CoT стал стандартом для улучшения логических способностей текстовых LLM, его влияние на задачи, требующие обработки изображений и других визуальных данных, до сих пор оставалось недостаточно изученным. arXiv · Машинное обучение Исследование: как устранить избыточное рассуждение в LLM Учёные изучили проблему избыточного рассуждения (overthinking) в языковых моделях, когда они продолжают генерировать ненужные шаги после нахождения правильного ответа. Это явление особенно заметно в задачах, требующих длинных цепочек рассуждений (chain-of-thought reasoning). arXiv · Машинное обучение Метод SPIRAL для улучшения логических рассуждений языковых моделей Исследователи представили метод SPIRAL, направленный на повышение качества логических рассуждений языковых моделей на этапе инференса. Текущие подходы к дообучению моделей фокусируются преимущественно на последовательном построении цепочки рассуждений в рамках одного прохода. Новый подход предлагает использовать специальные каркасы (scaffolds), которые масштабируют вычислительные ресурсы за счет комбинирования различных примитивов: последовательного вывода, параллельной генерации независимых вариантов рассуждений и последующей агрегации этих данных в итоговый ответ. arXiv · Исследования и наука LLM как ассоциативная память: новый взгляд на логические рассуждения Исследователи представили новую теоретическую модель, рассматривающую большие языковые модели не как простые авторегрессионные генераторы, а как высокоразмерные ассоциативные памяти. Авторы доказывают, что цепочки логических рассуждений соответствуют глубоким аттракторам в энергетическом ландшафте модели. Использование минимизации энергии по Гиббсу позволяет извлекать скрытые паттерны мышления, что открывает новые пути для повышения точности и надежности ИИ в сложных математических задачах. Hacker News · Память и RAG Graphenium: инструмент для обеспечения долгосрочной памяти ИИ-ассистентов в репозиториях Graphenium — это новый инструмент, предназначенный для создания постоянной памяти в репозиториях кода, что позволяет ИИ-ассистентам лучше понимать контекст проекта. Система индексирует структуру кода и связи между файлами, обеспечивая более точную навигацию и извлечение информации при выполнении задач по программированию, что критически важно для эффективной работы агентных систем в сложных кодовых базах. arXiv · Машинное обучение Large Language Gibbs: новый подход к вероятностному выводу в LLM Исследователи представили метод Large Language Gibbs, направленный на решение проблемы структурированного логического вывода с использованием больших языковых моделей. Основная сложность при работе с LLM заключается в том, что их внутренние знания часто трудно интерпретировать в рамках строгих вероятностных моделей. Новый подход предлагает использовать условные распределения языковой модели в качестве переходов в цепочке Гиббса, что позволяет модели выполнять более точные вычисления при работе с переменными, описывающими сложные системы. MarkTechPost · Данные и инжиниринг Визуализация структуры Python-проектов через графы с помощью Graphify и NetworkX Разработчики получили инструмент для анализа архитектуры сложных Python-приложений через построение графов знаний. Система Graphify в связке с библиотекой NetworkX позволяет автоматически преобразовывать многомодульные кодовые базы в графовые структуры. Решение работает полностью локально, используя парсинг через tree-sitter, что исключает необходимость в API-ключах или внешних языковых моделях для обработки кода.

← Все материалы