伯克利团队 T³ 语料：用思维链轨迹做 RAG，AIME 最高提升 43.9%
berkeley_ai · x · 2026-10-27
UC Berkeley 的 Negar Empr 团队在 EMNLP 2026（布达佩斯）展示论文「RAG over Thinking Traces Can Improve Reasoning Tasks」。
- 核心发现：直觉上 RAG 被认为对推理任务帮助有限，但只要语料选得对，RAG 反而能提升推理能力
- 团队构建了 T³（Transformed Thinking Traces）：一个从模型思维轨迹（thinking traces）中提取语料、用于推理任务 RAG 的数据集
- 在 AIME 2025–2026 上，用 T³ 语料做 RAG 带来最高 43.9% 的提升
论文与数据集链接已在帖中给出，作者在 Poster Session A（Hall H）现场交流。
「研究」频道最新
- Boyd 经典教材《Proximal Algorithms》开放阅读，攻克不可微优化 — burkov · 2026-10-27
- FrontierCS 2 上线：48 道题让 AI agent 复现 13 个领域论文成果 — lmoroney · 2026-10-27
- IP=PSPACE 才是更大的结果？网友激辩理论 CS 史最佳定理 — burny_tech · 2026-10-27
- 理论 CS 大新闻之争:10月6日发布比 ETH 被证伪更重磅 — burny_tech · 2026-10-27
- UC Berkeley 论文：RL 是重加权而非扩展 LLM 推理边界 — burny_tech · 2026-10-27
- Dehaene 团队用 7T fMRI 发现整合整数与分数的皮层数字地图 — burny_tech · 2026-10-27