論文の概要: A Comprehensive Anatomy of Human and DeepSeek-R1 LLM Mathematical Reasoning
- arxiv url: http://arxiv.org/abs/2606.07410v1
- Date: Fri, 05 Jun 2026 15:57:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.836993
- Title: A Comprehensive Anatomy of Human and DeepSeek-R1 LLM Mathematical Reasoning
- Title（参考訳）: 人間とDeepSeek-R1 LLMの数学的推論の網羅的解剖
- Authors: Yuxiang Chen, Jun Wang,
- Abstract要約: AIME 2025の30の問題をモデルと人間の推論で比較する。
人間の解とDeepSeek-R1の間には明確な構造的違いがある。
真の推論のシグナルを2つ特定する。
- 参考スコア（独自算出の注目度）: 5.982958282777651
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The emergence of "Aha moments" in large language models, particularly DeepSeek-R1-0120, has raised the question of whether these systems genuinely reason or merely imitate the appearance of reasoning. We conduct a comprehensive empirical comparison between model and human reasoning across all 30 problems from AIME 2025, exhaustively annotating 10,247 reasoning steps into five functional categories: Analysis, Inference, Branch, Backtrace, and Reflection. We find a clear structural difference. Human solutions maintain a compact alternation between analysis and deduction, whereas DeepSeek-R1 frequently revisits intermediate results, performs shallow and often unnecessary verification, and loops through local checks without meaningful logical progress. We describe this as topological mimicry: reproducing the surface form of reasoning without its functional role. Despite this, we identify two signals of genuine reasoning. First, successful traces exhibit stable use of branching and backtracking, while failed traces either underuse or overuse exploratory actions. Second, reflection is only effective when placed within deductive inference; reflections trapped in analysis loops focus on local numerical details while missing global logical errors. These findings suggest that current long-CoT models may be rewarded more for the appearance of reasoning than for genuine deductive progress. We discuss directions for improving evaluation and training, including measuring cross-trace stability, penalising "spinning-wheel" traces, encouraging deeper logical correction, and reallocating inference-time compute toward deduction and backtracking. Overall, reasoning quality depends not simply on how much reflection occurs, but on whether reflection appears consistently and at the appropriate logical scale.
- Abstract（参考訳）: 大規模言語モデル、特にDeepSeek-R1-0120における「アハモーメント」の出現は、これらのシステムが真に推論の出現を模倣するかどうかという問題を提起している。
AIME 2025の30問題すべてに対して、モデルと人間の推論を総合的に比較し、分析、推論、分岐、バックトレース、反射という5つの機能カテゴリに10,247の推論ステップを徹底的に注釈付けする。
構造的な違いは明らかです。
一方、DeepSeek-R1は中間結果を頻繁に再検討し、浅い、しばしば不要な検証を行い、意味のある論理的な進歩を伴わずに局所的なチェックをループする。
我々はこれをトポロジカルな模倣として記述し、その機能的役割を伴わずに推論の表面形式を再現する。
それにもかかわらず、真の推論の2つのシグナルを同定する。
まず、成功したトレースは分岐とバックトラックの安定した使用を示し、失敗したトレースは未使用または探索行動の過剰使用のいずれかを示す。
第二に、リフレクションは帰納的推論の中に置かれるときにのみ有効であり、分析ループに閉じ込められたリフレクションは、大域的な論理的誤りを欠きながら、局所的な数値的詳細に焦点を当てる。
以上の結果から,現在の長期CoTモデルでは,真の減退進行よりも推論の出現に報いる可能性が示唆された。
本稿では,クロストラス安定性の測定,スピンホイールトレースの抽出,深い論理的補正の促進,推論時間計算の推論とバックトラックへの再配置など,評価とトレーニングの改善の方向性について論じる。
全体として、推論の品質は、リフレクションの発生量だけでなく、リフレクションが一貫して、適切な論理スケールで現れるかどうかにも依存する。
関連論文リスト
- Reasoning Depth and Environment Complexity: A Controlled Study of RLVR Data Allocation across Logical Reasoning Tasks [43.28656684175735]
検証可能な報酬(RLVR)による強化学習は、訓練後の推論モデルの中心となっている。
我々は2次元の推論空間を特徴づける。
実世界の推論の核となる4つの能力について考察する: 帰納的状態追跡、隠された事象や事実の帰納的回復、帰納的規則誘導、類推的伝達である。
論文 参考訳（メタデータ） (2026-05-26T12:28:08Z) - UReason: Benchmarking the Reasoning Paradox in Unified Multimodal Models [44.0727449598399]
推論駆動画像生成のための診断ベンチマークであるUReasonを提案する。
我々は、一貫した推論パラドックス(Reasoning Paradox: Reasoning traces)を観察する。
我々の分析は、ボトルネックは推論能力の不足よりも、文脈干渉にあることを示唆している。
論文 参考訳（メタデータ） (2026-02-09T07:17:57Z) - Structured Reasoning for Large Language Models [59.215789462977206]
本研究では、推論を明示的、評価可能、トレーニング可能なコンポーネントに分解するフレームワークであるStructured Reasoning(SCR)を提案する。
SCRは推論効率と自己検証を大幅に改善する。
既存の推論パラダイムと比較して、出力トークンの長さを最大50%削減する。
論文 参考訳（メタデータ） (2026-01-12T04:04:01Z) - Addressing Overthinking in Large Vision-Language Models via Gated Perception-Reasoning Optimization [56.59356959631999]
Gated Perception-Reasoning Optimization (GPRO) は3つの決定経路間で動的に計算をルーティングするメタ推論コントローラである。
GPROは精度と効率を大幅に改善し、最近のスロー思考法よりも優れている。
論文 参考訳（メタデータ） (2026-01-07T23:05:17Z) - Your Reasoning Benchmark May Not Test Reasoning: Revealing Perception Bottleneck in Abstract Reasoning Benchmarks [10.06554565520216]
認識と推論を明確に分離する2段階の実験パイプラインを導入する。
本研究は,観測性能ギャップの根底にある要因は知覚能力であることを示す。
本研究は,認識を推論から遠ざける評価プロトコルの必要性を浮き彫りにした。
論文 参考訳（メタデータ） (2025-12-24T18:58:04Z) - Consistency Is Not Always Correct: Towards Understanding the Role of Exploration in Post-Training Reasoning [75.79451512757844]
基礎モデルは幅広い知識を示すが、タスク固有の推論は限定的である。
RLVRと推論スケーリングは、RLVRや推論スケーリングのようなトレーニング後の戦略を動機付けます。
RLVRはスキューズ効果を誘発し,推論エントロピーを減少させ,正しい経路を忘れることを示した。
論文 参考訳（メタデータ） (2025-11-10T18:25:26Z) - Unifying Deductive and Abductive Reasoning in Knowledge Graphs with Masked Diffusion Model [64.31242163019242]
帰納的推論と帰納的推論は知識グラフを解析するための重要なパラダイムである。
DARKと呼ばれる知識グラフにおける帰納的・帰納的推論のための統一的なフレームワークを提案する。
DARKは, 帰納的推論タスクと帰納的推論タスクの両方において, 最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-10-13T14:34:57Z) - Seeing is Not Reasoning: MVPBench for Graph-based Evaluation of Multi-path Visual Physical CoT [24.085953089267772]
複雑な場面において,OpenAI o3 と GPT-4o が基本的な物理法則,空間的相互作用,因果的影響を把握できないことを示す。
我々は、視覚連鎖(CoT)レンズによる視覚的身体的推論を厳格に評価するベンチマークであるMVPBenchを紹介した。
最先端のMLLMでさえ、物理領域における視覚的推論精度の低下と画像テキストアライメントの弱さを示す。
論文 参考訳（メタデータ） (2025-05-30T03:48:59Z) - Detection and Mitigation of Hallucination in Large Reasoning Models: A Mechanistic Perspective [11.013059864022667]
推論の幻覚は論理的に一貫性があるが、事実的に誤った推論トレースである。
これらのエラーは構造化推論に埋め込まれており、検出が難しく、潜在的に有害である可能性がある。
本稿では,ロジット間のばらつきを測定することによって推論の深さを定量化するReasoning Scoreを提案する。
また,ステップレベルの深い推論報酬をポテンシャルベース形状に組み込んだ強化強化学習アルゴリズムGRPO-Rを導入する。
論文 参考訳（メタデータ） (2025-05-19T09:16:40Z) - Unveiling the Magic of Code Reasoning through Hypothesis Decomposition and Amendment [54.62926010621013]
我々は,大規模言語モデルの推論能力に対する新たな視点を提供するために,新しいタスクであるコード推論を導入する。
論理的推論の確立した形式に基づいて3つのメタベンチマークを要約し、8つの特定のベンチマークタスクにインスタンス化する。
本稿では,人間の複雑な問題解決手法に触発された新たな経路探索パイプラインを提案する。
論文 参考訳（メタデータ） (2025-02-17T10:39:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。