Исследователи T-Bank AI Research и Центрального университета представили новый метод для развития логического мышления больших языковых моделей, который может использоваться даже в университетских лабораториях. В нем используются компактные векторы-настройки, которые направляют процесс рассуждений, усиливая корректные логические цепочки без полного переобучения модели. За счет сокращения требований к памяти с гигабайтов до сотен килобайт и ускорения этапа процесса обучения, метод может применяться и в университетских лабораториях для обучения reasoning-моделей без дорогого оборудования. «Представьте чат-бота, который помогает ребенку решать задачи по математике. Он знает формулы, но иногда путается и перескакивает через шаги. Благодаря обучению с подкреплением бот начинает рассуждать последовательно: ищет ошибки в предыдущих решениях, проверяет промежуточные вычисления и в итоге дает правильное решение. Наш метод показывает, что обучать модели рассуждать можно без изменения миллионов параметров. Это открывает новый этап в развитии доступного искусственного интеллекта для бизнеса», — рассказывает Вячеслав Синий, исследователь научной группы AI Alignment лаборатории исследований искусственного интеллекта T-Bank AI Research. Метод уже был представлен на одной из ведущих международных конференций в области ИИ по эмпирическим методам обработки естественного языка (EMNLP 2025) в Китае. Результаты исследования имеют потенциал помочь сделать языковые модели более прозрачными и объясняемыми.