Naukowcy z arXiv zaproponowali nową teorię do badania systemów AI opartą na koncepcji Mirror Theory, która definiuje inteligencję nie tylko przez reprezentacje, ale przez zdolność do utrzymywania spójnych kontynuacji podczas powtarzających się procesów refleksji. Kluczową innowacją jest wprowadzenie metryki Viable Path Entropy (VPE), która mierzy w skończonym budżecie tokenów, jak szeroko system AI może badać różne poprawne sposoby rozwiązywania problemów i jakie jest prawdopodobieństwo znalezienia przynajmniej jednej działającej ścieżki.
Teoria buduje pełny schemat teoretyczny oparty na czterech filarach: underdetermination jako lokalne ograniczenie, taste jako presja wyboru niezmienników, reflection jako rozwiązywanie niedookreślenia przez taste-guided procedury, i geometria jako nauczana struktura stabilizująca przyszłą refleksję. Badacze przetestowali to podejście na modelach Qwen2.5-Instruct przy użyciu zbioru zadań matematycznych GSM8K. Wyniklı pokazały, że zwiększenie budżetu tokenów z 96 do 160 słów znacznie rozszerzało dostępne sposoby rozwiązywania i zmniejszało przypadki bez znalezienia rozwiązania, jednocześnie zwiększając różnorodność znalezionych metod.
Najciekawszym odkryciem było to, że mniejszy model Qwen2.5-1.5B osiągnął lepsze wyniki niż znacznie większy Qwen2.5-3B w kryterium Mirror Horizon przy tym samym budżecie tokenów. Sugeruje to fundamentalną przesunięcie w rozumieniu zdolności AI - nie chodzi po prostu o rozmiar modelu, ale o to, jak efektywnie system potrafi wykorzystać dostępne zasoby obliczeniowe do wieloetapowego rozumowania i refleksji. To ma poważne implikacje dla optymalizacji modeli AI w przyszłości.