Nu AI steeds meer taken overneemt: wat gebeurt er als mensen moeten inspringen om de rommel erachter op te ruimen?

arXiv:2610.18878v1 Aankondigingstype: nieuw Samenvatting: Redenerende LLM's na de training vereisen vaak een afweging tussen kostbare supervisie en rekenkundige inefficiëntie: supervised fine-tuning vereist doorgaans redeneersporen, wat data-inefficiënt is omdat men in veel toepassingen alleen prompt-antwoordparen heeft en de groundtruth chain-of-thought (CoT)-sequentie ontbreekt. Daarentegen kan reinforcement learning (bijvoorbeeld met verifieerbare beloningen) werken zonder CoT-data, maar dat is veel kostbaarder...