Forskning3. august 2026
LLMers «tankekraft» måles steg for steg
Av redaksjonen
Forskere har utviklet en metode for å måle den interne beregningsinnsatsen til store språkmodeller (LLM-er) under resonnering, noe som avdekker ujevn energibruk og gir nye innsikter i feilkilder.
En ny analyse fra et team ved University of Illinois og Google avdekker at store språkmodeller (-er) bruker beregningskraft svært ujevnt når de resonnerer. Studien introduserer rammeverket Step-Aware Reasoning Energy (SARE), som måler denne innsatsen for hvert enkelt steg i en resonnementskjede ().
Ved å analysere seks -tester og tre open source LLM-er fant forskerne at feilaktige resonnementskjeder ofte viser markant lavere energibruk ved kritiske punkter. Dette indikerer at modellens indre dynamikk kan forutsi feil, selv før svaret er generert, og gir et dypere innblikk i AI-modellenes «tankeprosess» enn tidligere metoder som kun så på sluttresultatet.