Here’s this week’s Ritual Research Digest, a newsletter covering the latest in the world of LLMs and the intersection of Crypto x AI.
With hundreds of papers published weekly, staying current with the latest is impossible. We do the reading so you don’t have to.
DeepSeekMath-V2: Towards Self-Verifiable Mathematical Reasoning
This paper introduces DSMath-V2, a model trained on deepseek-3.2-exp for natural language proving in mathematics. The generation-verification gap is a major hurdle for informal proving.
They first train a verifier for the model using expert annotations to assess both the correctness of the answers and the analysis.
This verifier is used to train the final prover model, which both writes proofs and analyzes their correctness.
They achieve gold in IMO 2025.
Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)
The paper introduces INFINITY-CHAT, a dataset of 26K real-world queries that accept multiple answers. Using this, they study intra- & inter-model mode collapse in 70+ LMs.
They uncover an Artificial Hivemind effect with intra-model repetition, where a model repeatedly generates similar outputs, & inter-model homogeneity, where different models converge on similar ideas with minor phrasing changes. This raises questions about model diversity.
Latent Collaboration in Multi-Agent Systems
The work introduces Latent MAS, an end-to-end collaborative framework that operates in continuous latent space. The design integrates both latent thought generation and cross-agent latent memory transfer.
LatentMAS is based on reasoning expressiveness, communication fidelity and collaboration complexity. Across both sequential and hierarchical MAS settings, Qwen 3(4B, 8B, and 14B), LatentMAS outperforms text-based MAS baselines improving accuracy, & reducing output token usage.
ToolOrchestra: Elevating Intelligence via Efficient Model and Tool Orchestration
The authors propose an orchestration paradigm where intelligence emerges from a composite system. An orchestrator model invokes the right tools in right order for a task.
Using ToolOrchestra, an 8B model is trained with RL to decide when and how to invoke other LMs and tools. The rewards balance correctness, efficiency and alignment with user preferences.
On HLE, Orchestrator outperforms prior methods with far lower computational cost.
Follow us @ritualdigest for more on all things crypto x AI research, and
@ritualnet to learn more about what Ritual is building.
640
4
Treści na tej stronie są dostarczane przez strony trzecie. O ile nie zaznaczono inaczej, OKX nie jest autorem cytowanych artykułów i nie rości sobie żadnych praw autorskich do tych materiałów. Treść jest dostarczana wyłącznie w celach informacyjnych i nie reprezentuje poglądów OKX. Nie mają one na celu jakiejkolwiek rekomendacji i nie powinny być traktowane jako porada inwestycyjna lub zachęta do zakupu lub sprzedaży aktywów cyfrowych. Treści, w zakresie w jakim jest wykorzystywana generatywna sztuczna inteligencja do dostarczania podsumowań lub innych informacji, mogą być niedokładne lub niespójne. Przeczytaj podlinkowany artykuł, aby uzyskać więcej szczegółów i informacji. OKX nie ponosi odpowiedzialności za treści hostowane na stronach osób trzecich. Posiadanie aktywów cyfrowych, w tym stablecoinów i NFT, wiąże się z wysokim stopniem ryzyka i może podlegać znacznym wahaniom. Musisz dokładnie rozważyć, czy handel lub posiadanie aktywów cyfrowych jest dla Ciebie odpowiednie w świetle Twojej sytuacji finansowej.