論文の概要: Show Your Work in Swahili: Reinforcement Learning for Native-Language Mathematical Reasoning
- arxiv url: http://arxiv.org/abs/2611.16104v1
- Date: Wed, 11 Nov 2026 23:25:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.290092
- Title: Show Your Work in Swahili: Reinforcement Learning for Native-Language Mathematical Reasoning
- Title(参考訳): スワヒリ語で仕事を示す: ネイティブ言語数学的推論のための強化学習
- Abstract要約: We present Fikiria, a two-stage SFT+GRPO recipe for Swahili mathematical reasoning。
その報酬は、回答の正確さの重み付けされた和と、スワヒリ推論のChrFtextt++類似性から、言語内の参照チェーンの思考に、フォーマットゲートを乗じる。
我々は、GSM8KをGPT-4.1で翻訳し、SSA-COMETでフィルタリングすることで生成された2.3kプロブレムスワヒリデータセットをトレーニングする。
- 参考スコア(独自算出の注目度): 2.620367685771359
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present Fikiria, a two-stage SFT+GRPO recipe for Swahili mathematical reasoning. Its reward multiplies a format gate by a weighted sum of answer accuracy and the ChrF\texttt{++} similarity of the Swahili reasoning to an in-language reference chain of thought, so that training targets the surface fidelity of the reasoning trace and not only the final answer. We train on a 2.3k-problem Swahili dataset created by translating GSM8K with GPT-4.1 and filtering with SSA-COMET. On AfriMGSM Swahili, Fikiria-AfriqueQwen-14B reaches 79.2\%. Under the same fixed prompt and strict answer-format scoring, GPT-4o reaches 68.0\%, partly because it often fails the required answer format; IrokoBench reports 78.8\% for GPT-4o using a best-per-model prompt, a figure numerically close to ours but not directly comparable. In a small human evaluation with co-author annotators, GPT-4o's outputs were preferred overall. ChrF\texttt{++} measures surface fidelity, not the validity of individual reasoning steps.
- Abstract(参考訳): We present Fikiria, a two-stage SFT+GRPO recipe for Swahili mathematical reasoning。
その報酬は、回答精度の重み付けされた和と、スワヒリの推論と言語内の参照連鎖とのChrF\texttt{++}類似性によって形式ゲートを乗じることで、トレーニングは推論トレースの表面忠実度を目標とし、最終回答だけでなく、最終的な答えも狙う。
我々は、GSM8KをGPT-4.1で翻訳し、SSA-COMETでフィルタリングすることで生成された2.3kプロブレムスワヒリデータセットをトレーニングする。
AfriMGSM Swahiliでは、Fikiria-AfriqueQwen-14Bは79.2\%に達する。
同じ固定プロンプトと厳密な解形式スコアの下では、GPT-4oは68.0\%に達するが、これは要求された解形式にしばしば失敗するためである。
共著者アノテータによる人間による小さな評価では、GPT-4oの出力が全体的に好まれていた。
ChrF\texttt{++} は、個々の推論ステップの妥当性ではなく、表面忠実度を測定する。
関連論文リスト
- Indic-Task Gains and Regressions after Reinforcement Learning [0.0]
GRPOを用いた強化学習(RL)を4つの環境にわたって実施する。
1つの評価キャンペーンにおいて、34のベンチマークでRLの前後のモデルを比較した。
論文 参考訳(メタデータ) (2026-11-12T03:21:07Z) - CoTranslator: Reverse to Forward Chain-of-Thought Translator for Reasoning Distillation [9.945777305343324]
推論蒸留は正しい答えを持つチェーン・オブ・シント(CoT)データを必要とする。
検証された前方応答の分布に対する逆CoT応答の変換を学習するCoTranslatorを提案する。
論文 参考訳(メタデータ) (2026-10-14T19:15:36Z) - Thinking in a Low-Resource Language: What SFT Builds, What RL Fixes, What Accuracy Cannot See [0.0]
ギリシャ語で3つの混合専門家モデルを微調整する。
正確なベンチマークでは、ほとんど何も起きず、ベンチマーク自体は、この規模ではノイズです。
本当の変化は、正確さが見えないところにあります。
このような変化を計測可能な6つの行動次元を提案する。
論文 参考訳(メタデータ) (2026-08-18T13:09:03Z) - Chain-of-Thought Reasoning Improves Context-Aware Translation with Large Language Models [2.4063592468412276]
本稿では,文間依存関係を含む文を翻訳する大規模言語モデルの能力を評価する。
我々はDeepSeek-R1, GPT, Llama, Mistral, Phiの12 LLMを2つのタスクで評価した。
最良のモデルは推論を生かし、最初のタスクで約90%の精度で到達し、COMETは2タスクで約92%のスコアを得る。
論文 参考訳(メタデータ) (2025-10-20T20:14:46Z) - Benchmarking Reasoning Robustness in Large Language Models [76.79744000300363]
新規データや不完全データでは,性能が著しく低下することがわかった。
これらの結果は、厳密な論理的推論に対するリコールへの依存を浮き彫りにした。
本稿では,情報不足によって引き起こされる幻覚を利用して推論ギャップを明らかにする,Math-RoBと呼ばれる新しいベンチマークを提案する。
論文 参考訳(メタデータ) (2025-03-06T15:36:06Z) - Markovian Transformers for Informative Language Modeling [1.172865818448696]
CoT(Chain-of-Thought)推論は、しばしば言語モデルの根底にある決定プロセスを忠実に反映しない。
推論オートエンコーダとして理解可能なマルコフ言語モデルフレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-29T17:36:58Z) - Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。
拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
論文 参考訳(メタデータ) (2024-03-07T18:00:40Z) - Prometheus: Inducing Fine-grained Evaluation Capability in Language
Models [66.12432440863816]
我々は,GPT-4の評価能力に匹敵する,完全にオープンソースなLarge Language Model (LLM) であるPrometheusを提案する。
プロメテウスは45種類の楽譜を用いた評価において、Pearsonの0.897の相関を人間の評価値と比較した。
Prometheusは2つの人間の選好ベンチマークで最も精度が高い。
論文 参考訳(メタデータ) (2023-10-12T16:50:08Z) - Faithful Chain-of-Thought Reasoning [51.21714389639417]
CoT(Chain-of-Thought)は言語モデル(LM)のパフォーマンスを様々な推論タスクで向上させる。
翻訳と問題解決という2つの段階を含む推論フレームワークであるFithful CoTを提案する。
このことは、推論連鎖が最終回答の忠実な説明を提供することを保証している。
論文 参考訳(メタデータ) (2023-01-31T03:04:26Z) - Making Large Language Models Better Reasoners with Step-Aware Verifier [49.16750018427259]
DIVERSE(Diverse Verifier on Reasoning Step)は、言語モデルの推論能力をさらに強化する新しいアプローチである。
最新の言語モデルであるcode-davinci 上で DIVERSE を評価し,8つの推論ベンチマークのうち6つで新たな最先端結果が得られることを示す。
論文 参考訳(メタデータ) (2022-06-06T03:38:36Z) - Self-Consistency Improves Chain of Thought Reasoning in Language Models [53.45015291520658]
我々は,大規模言語モデルの推論精度を大幅に向上させる,単純なアンサンブル戦略,自己整合性を探究する。
算術的および常識的推論ベンチマークでは、自己整合性は大幅な精度の向上をもたらす。
論文 参考訳(メタデータ) (2022-03-21T17:48:52Z)
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。