AI-modellen die redeneren, denken vaak veel te veel na. Ze zetten veel onnodige stappen om bij een antwoord te komen. Dat kost tijd en rekenkracht. Een team rond Fiorenzo Parascandolo heeft daar nu een oplossing voor: het algoritme BFS-PO. Het zorgt ervoor dat modellen kortere antwoorden geven, zonder dat de nauwkeurigheid daaronder lijdt.
Moderne redeneermodellen werken met Chains of Thought (CoT): ze zoeken stap voor stap naar een oplossing. Dat helpt bij complexe opdrachten, maar heeft een prijs. Zoals beschreven in een publicatie op arxiv.org, leiden die lange redeneerpaden tot aanzienlijk hogere computationele kosten en onnodig lange teksten.
Waarom modellen te veel nadenken
'Overthinking' gebeurt wanneer een model veel meer stappen zet dan nodig is om bij de juiste conclusie te komen. De onderzoekers ontdekten dat gangbare Reinforcement Learning-algoritmen zoals DAPO en GRPO dit probleem zelfs verergeren.
BFS-PO pakt dat anders aan. De naam komt van Best-First Search, een zoekstrategie die de basis vormt van het systeem.
Zo werkt BFS-PO
Tijdens de training organiseert BFS-PO redeneerketens niet als een rechte lijn, maar als een zoekboom. Daarbinnen wordt de kortste correcte route naar het antwoord aangemerkt als de beste oplossing.
Het systeem gebruikt ook een backtracking-mechanisme met maximum entropy nodes. Daarmee zoekt het algoritme gericht naar alternatieve, kortere wegen naar hetzelfde juiste resultaat. Zo leert het model stap voor stap kortere en effectievere antwoorden te formuleren.
Betere, goedkopere en snellere modellen
De onderzoekers toetsten de methode op diverse benchmarks en meerdere basismodellen. De uitkomst: BFS-PO verkort de redeneerketens én verhoogt tegelijk de precisie van de conclusies. De modellen worden daarmee goedkoper, sneller én accurater.
De impact van het onderzoek is groot genoeg voor een presentatie op de conferentie NeurIPS 2026. De volledige methodologie en experimentele data staan in de herziene versie van het artikel, die op 9 november 2026 is bijgewerkt. Het werk biedt een nieuw kader voor AI-modellen die minder rekenkracht verbruiken bij complexe logische taken.
🧠 Even simpel uitgelegd
Stel dat je een puzzel oplost, maar in plaats van de kortste route te nemen, schrijf je elke denkbare omweg op. Je komt wel bij het goede antwoord, maar het kost je veel meer tijd en papier. AI-redeneermodellen doen dat vaak ook: ze nemen te veel stappen. BFS-PO leert het model tijdens de training om de kortste route naar het juiste antwoord te kiezen — alsof je leert puzzelen zonder omwegen. Resultaat: sneller, goedkoper en zelfs iets nauwkeuriger.