DeepSeek-Math-V2 donosi novi AI pomak u matematici: 118/120 na Putnamu
Kineski DeepSeek predstavio je novu verziju svog otvorenog matematičkog modela, koji je ostvario rezultat blizak savršenom na jednom od najtežih univerzitetskih takmičenja na svijetu.
Putnam rezultat koji pomjera granice AI-a
DeepSeek-Math-V2 postigao je 118 od mogućih 120 poena na američkom Putnam takmičenju, nadmašivši čak i jednog aktuelnog osvajača zlatne medalje sa Međunarodne matematičke olimpijade. Model koristi dvojni sistem: jedan AI generiše više rješenja, dok drugi provjerava logičku ispravnost dokaza jer, kako tim ističe, „tačan odgovor ne garantuje tačno rezonovanje“.
Šta donosi nova verzija?
DeepSeekova arhitektura kombinuje generator i verifikator dokaza. Model prvo priprema više nezavisnih matematičkih rješenja, a zatim ih verifikator rangira po logičkoj koherentnosti. Ovaj pristup značajno smanjuje šanse za takozvane „halucinacije“ u kompleksnim matematičkim zadacima.
Težine modela objavljene su pod licencom Apache 2.0, što znači da ih bilo ko može preuzeti i koristiti uz uslov da posjeduje dovoljno memorije i GPU resursa.
Gdje su granice?
Iako su rezultati impresivni, tim priznaje da dio Putnam zadataka može biti prisutan u trening podacima, pa kombinacija razumijevanja i memorisanih obrazaca nije isključena. Ipak, i OpenAI i DeepMind postigli su slične rezultate na sličnim izazovima, ali u zatvorenim okruženjima, dok DeepSeek nudi javno dostupan model s gotovo identičnim performansama.
Zašto je ovo važno za Balkan?
Otvoren pristup pod Apache licencom znači da akademske institucije, istraživački centri i startupi u regionu mogu eksperimentisati s potpuno transparentnim matematičkim modelom. Međutim, hardverski zahtjevi naročito ako se žele pokrenuti i „genije“ i „eksaminator“ ostaju prepreka za većinu manjih organizacija.
Šta slijedi?
Ovakvi samoverifikujući AI sistemi mogli bi smanjiti broj kritičnih grešaka u finansijama, inženjeringu, farmaciji i istraživanju. U narednim mjesecima biće ključno vidjeti ko zaista ima resurse da ovakve alate koristi na skali.
