Ein neuer Artikel widerlegt das "Ingenia Theorem", das behauptete, die Unmöglichkeit von AGI durch ML mittels Komplexitätstheorie zu beweisen. Die Widerlegung argumentiert, dass der ursprüngliche Beweis fehlerhaft ist, da ein "Klassifikator auf menschlichem Niveau" nicht definiert ist und formale Definitionen vertauscht wurden.
Diese Arbeit bietet eine theoretische Erklärung für die Effizienz von Diffusionsmodellen beim Erlernen der Score-Funktion für hochdimensionale Daten auf niedrigdimensionalen Mannigfaltigkeiten. Sie identifiziert einen „Kollaps-und-Verfeinerungs“-Mechanismus, der durch die Geometrie der Score-Funktion angetrieben wird, wobei die Entrauschungsabbildung auf die Datenmannigfaltigkeit projiziert wird und die intrinsische Dichte verfeinert wird.
Diese Forschung stellt den Tool-Augmented Markov Decision Process (TA-MDP) vor, um multimodale agentische Entscheidungsfindung formal zu modellieren und theoretische Lücken beim Reinforcement Fine-Tuning für Large Vision-Language Models (LVLMs) zu schließen. Sie untersucht, wie zusammengesetzte verifizierbare Belohnungen die GRPO-Konvergenz beeinflussen und warum das Training auf kleinen Datensätzen auf Out-of-Distribution-Domänen für agentische LVLMs übertragbar ist.