Apple popsal LaDiR, framework, který nechává velký jazykový model zkoušet více myšlenkových cest současně. V testech zlepšil matematiku, kód i plánování odpovědí.
LaDiR je nový přístup Applu k AI, který nechává model nejdřív zkoušet několik úvah paralelně a teprve potom poskládá finální odpověď. V praxi to znamená méně ukvapených výstupů a lepší výsledky v úlohách, kde rozhoduje přesné přemýšlení, ne jen rychlost generování textu.
LaDiR spojuje dva způsoby, jak AI tvoří odpovědi
Podstatou systému je kombinace dvou metod, které se běžně používají odděleně. Diffusion přístup nechává model postupně „vyčistit“ a zpřesnit skrytý myšlenkový blok, zatímco finální odpověď vzniká klasicky autoregresivně, tedy po jednom tokenu. Apple tím získává model, který nejdřív víc přemýšlí a až pak mluví.
Zajímavé je hlavně to, že LaDiR nepracuje s jedinou cestou uvažování. Místo toho rozjíždí více reasoning pathů současně a tlačí je, aby se nerozjely všechny stejným směrem. Díky tomu model vygeneruje širší sadu kandidátních odpovědí a má větší šanci najít správné řešení i u složitějších problémů.
Důležité také je, že nejde o nový samostatný model, ale o vrstvu nad existujícími LLM. To je pro celý přístup velká výhoda: Apple nemusí stavět vše od nuly, ale upravuje samotný způsob uvažování. Tím pádem může framework teoreticky posílit i současné modely bez kompletní výměny jejich architektury.
V testech pomohl v matematice, kódu i plánování
Výzkumníci LaDiR nasadili na modely LLaMA 3.1 8B a Qwen3-8B-Base. V matematických úlohách dosáhl lepší přesnosti než běžné postupy a obstál i v těžších případech, které nejsou podobné trénovacím datům. To je přesně oblast, kde se rozdíl mezi „umí to napsat“ a „opravdu tomu rozumí“ ukáže nejvíc.
Podobně dobré výsledky přišly i u generování kódu. V benchmarcích typu HumanEval dával LaDiR spolehlivější výstupy než standardní fine-tuning, a to hlavně u náročnějších zadání. Pro vývojáře je to signál, že AI může být užitečnější nejen při psaní textu, ale i při řešení úloh, kde je potřeba držet logiku a neudělat hloupou chybu v detailu.
Nejsilnější je tahle metoda tam, kde model potřebuje hledat více možných cest najednou, například v plánovacích hádankách typu Countdown. LaDiR dokázal najít správná řešení spolehlivěji než obecné baseline modely, i když na specializovaný model zaměřený jen na jeden pokus v přesnosti stále nestačil. Pro běžného uživatele je hlavní zpráva jednoduchá: AI, která si dovolí delší vnitřní rozvahu, má menší sklon k unáhleným odpovědím.
Pokud vás téma zajímá víc, přečtěte si také Musk a Altman míří k soudu. Spor o OpenAI odhaluje, kdo dnes rozhoduje o AI a iPhone pod tlakem AI boomu. Paměť má skokově zdražit a Apple řeší bolestivé dilema!.
Podrobnosti přinesl také 9to5mac.
