🤖 AI

Deep Interaction: An Efficient Human-AI Interaction Method for Large Reasoning Models

Dit artikel introduceert "Deep Interaction", een efficiënte mens-AI-interactiemethode die gebruikers in staat stelt om foutieve redeneerstappen in Large Language Models direct te bewerken en de gecorrigeerde Chain-of-Thought te distilleren in een prompt, wat resulteert in een 25% hoger succespercentage bij correcties en een reductie van 40% in tokens vergeleken met baseline-benaderingen.

Oorspronkelijke auteurs: Hefeng Zhou, Jinxuan Zhang, Jiong Lou, Yuxin Liu, Chaochao Lu, Jingjing Qu, Jie Li

Gepubliceerd 2026-07-16

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hefeng Zhou, Jinxuan Zhang, Jiong Lou, Yuxin Liu, Chaochao Lu, Jingjing Qu, Jie Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een briljante, maar een beetje koppige robot probeert te leren hoe hij een lastige puzzel moet oplossen. Deze robot is een Large Language Model (LLM), een type kunstmatige intelligentie dat bijna alles op het internet heeft gelezen en verhalen kan schrijven, wiskundeproblemen kan oplossen en zelfs als een mens kan optreden. Om deze robots beter te laten denken, hebben wetenschappers een techniek uitgevonden die "Chain-of-Thought" (CoT) wordt genoemd. Zie CoT als het vragen aan de robot om "zijn werk hardop te laten zien", stap voor stap, zoals een leerling zijn huiswerk opschrijft in plaats van alleen maar het antwoord te raden. Dit heeft robots veel slimmer gemaakt bij complexe taken.

Er is echter een addertje onder het gras. Soms maakt de robot een fout in stap drie van zijn stappenplan van tien stappen. In de oude manier van corrigeren zou je met de robot moeten chatten en zeggen: "Hé, je hebt een fout gemaakt in stap drie," en dan hopen dat hij luistert. Maar vaak zegt de robot alleen maar: "Je hebt gelijk, ik heb een fout gemaakt," en maakt hij vervolgens direct dezelfde fout opnieuw in de volgende stap, of raakt hij in de war en vergeet hij de rest van het plan. Het is alsof je een vriend probeert te corrigeren die de verkeerde kant op loopt door tegen hem te roepen vanuit de achtergrond; hij kan je wel horen, maar hij blijft maar cirkels lopen. Dit is frustrerend voor iedereen die AI wil gebruiken voor serieus werk, zoals het oplossen van wetenschappelijke problemen of het controleren van veiligheidslogica.

Dit is waar een nieuw idee genaamd Deep Interaction in beeld komt. In plaats van alleen maar met de robot te chatten om zijn fouten te herstellen, stelt dit artikel een methode voor waarbij je de "denkproces" van de robot direct kunt bewerken, net zoals je een document op een computer bewerkt. Stel je voor dat de robot een verhaal schrijft, maar jij selecteert een foutieve zin, verwijdert deze en typt de juiste zin er direct in. Het systeem neemt vervolgens jouw bewerkte versie, ruimt het op en vraagt de robot om het verhaal vanaf dat gecorrigeerde punt voort te zetten. De onderzoekers ontdekten dat deze "directe bewerking"-methode veel sneller en nauwkeuriger is dan de oude "chat en hoop"-methode. In hun tests op moeilijke wetenschappelijke taken verbeterde deze nieuwe manier van interactie de correctie-succesrate met meer dan 25% (een relatieve toename vergeleken met de baseline-methoden) en verminderde het het gebruik van tokens met ongeveer 40% voor de vragen die succesvol werden beantwoord in vergelijking met de baseline-benaderingen.

Het probleem met "Alleen maar Chatten"

Wanneer deze AI-modellen een fout maken, is de gebruikelijke oplossing om een gesprek te voeren. Je vertelt de AI: "Die stap is fout," en de AI probeert het opnieuw. Maar het artikel laat zien dat dit vaak misgaat. De AI kan instemmen dat het fout was, maar raakt dan in een lus, waarbij hij de fout herhaalt of afdwaalt naar een nieuw, even fout pad. Het is als een GPS die steeds zegt: "Route wordt opnieuw berekend," maar je vervolgens weer terugstuurt naar dezelfde file. De auteurs stellen dat dit gebeurt omdat de AI de hele gesprekshistorie probeert te onthouden, wat rommelig wordt, of omdat hij simpelweg patronen uit zijn trainingsgegevens onthoudt in plaats van de logica echt te begrijpen.

De oplossing: De "Gedachten" Bewerken

De auteurs stellen Deep Interaction voor, een systeem dat de redeneringsstappen van de AI behandelt als een conceptversie van een document. Zo werkt het in eenvoudige termen:

Het Concept: De AI genereert een oplossing met een Chain-of-Thought (zijn stapsgewijze redenering).
De Bewerking: Als je een fout ziet, typ je niet alleen een bericht in het chatvenster. In plaats daarvan bewerk je de tekst van de redenering van de AI direct. Je kunt een foutieve stap verwijderen, een getal veranderen of een logische kloof repareren, net zoals je "Wijzigingen bijhouden" gebruikt in een tekstverwerker.
De Opruiming: Het systeem is slim genoeg om te weten wat je hebt aangepast. Het markeert je bewerkingen, verwijdert de delen die je hebt verwijderd en ruimt eventuele verwarrende overgebleven tekst op. Het maskeert ook specifieke getallen om te voorkomen dat de AI gewoon de oude foutieve getallen uit zijn hoofd leert.
De Herstart: Het systeem neemt jouw bewerkte versie en voert deze terug naar de AI als een nieuwe instructie: "Dit is het gecorrigeerde pad tot nu toe; ga hier vanaf verder."

Wat ze vonden

De onderzoekers testten deze methode op zeer moeilijke problemen, waaronder wiskunde-, natuurkunde-, scheikunde- en biologievragen van het middelbaar en hoger onderwijs. Ze vergeleken hun "Deep Interaction"-methode met de standaard "chat-gebaseerde" correctiemethode.

Beter Succes: De nieuwe methode verbeterde de correctie-succesrate met meer dan 25% vergeleken met alleen chatten. Bijvoorbeeld, bij een moeilijke reeks wetenschappelijke vragen kreeg de standaard chatmethode na een paar pogingen ongeveer 72% van de tijd het juiste antwoord, terwijl Deep Interaction ongeveer 86% van de tijd het juiste antwoord gaf.
Sneller en Goedkoper: Omdat de AI geen lange, rommelige gesprekshistorie opnieuw hoeft te lezen, gebruikt het ongeveer 40% minder tokens (de eenheden van tekst die de AI verwerkt) voor de vragen die uiteindelijk correct worden beantwoord. Dit maakt het proces veel efficiënter.
Werkt op Verschillende Modellen: Ze testten dit op verschillende AI-modellen, van kleinere tot zeer grote modellen. In elk geval hielp het vermogen om de redeneringsstappen direct te bewerken het model om beter te presteren dan wanneer men er alleen maar mee praatte.

Waarom dit ertoe doet

Het artikel suggereert dat voor complexe taken waarbij de AI precies moet zijn, zoals het oplossen van een wiskundige vergelijking of het analyseren van een veiligheidsscenario, simpelweg met de AI praten niet genoeg is. We hebben een manier nodig om zijn denken direct te "sturen". Door mensen de redeneringsstappen te laten bewerken, kunnen we de AI wegsturen van zijn fouten zonder vast te komen zitten in een lus van "Je hebt gelijk, ik maakte een fout" gevolgd door dezelfde fout opnieuw.

De auteurs merken op dat deze methode afhankelijk is van het vermogen van de mens om de fout te herkennen. Als de mens niet weet wat er mis is, kan hij het ook niet herstellen. Ook als een mens een foutieve correctie geeft, kan de AI dat foutieve pad ook volgen. Maar voor gebruikers die over de juiste kennis beschikken — zoals studenten, leraren of experts — biedt deze "Deep Interaction" een krachtige nieuwe manier om met AI samen te werken, waardoor een frustrerend gesprek verandert in een productieve bewerkingssessie.

Technische Samenvatting: Deep Interaction voor Grote Redeneermodellen

1. Probleemstelling

Hoewel Chain-of-Thought (CoT) redeneren de capaciteiten van Large Language Models (LLMs) bij het aanpakken van complexe, meerstaps-taken aanzienlijk heeft verbeterd, blijven huidige mens-AI-interactiemethoden voor het corrigeren van fouten inefficiënt. Wanneer een LLM een redeneerketen genereert die fouten bevat, omvat standaard conversationele correctie doorgaans dat gebruikers de fout aangeven in een volgende beurt. Deze aanpak faalt echter vaak omdat:

Herhaling van Fouten: Het model kan de fout erkennen (bijv. "U heeft gelijk, ik heb een fout gemaakt"), maar vervolgens een reactie genereren die dezelfde fout herhaalt of een vergelijkbaar onjuist traject volgt.
Inefficiëntie: Iteratieve dialoog vereist langdurige uitwisselingen, wat het tokengebruik verhoogt en het risico vergroot dat het model het overzicht over belangrijke informatie verliest in lange contextvensters.
Memorizatie en "Sticky Thinking": Modellen kunnen vertrouwen op gememoriseerde trainingspatronen of "plakkerige" vroege tokens, waardoor ze terugvallen op onjuiste redeneerpaden, zelfs wanneer ze door nieuwe instructies worden gestuurd.
KV Cache Effecten: In webgebaseerde interfaces kunnen sessiegeschiedenis en KV-caches ervoor zorgen dat modellen voorgaande reacties letterlijk reproduceren, ondanks veranderingen in de semantiek van de input.

Bestaande zelfcorrectiemethoden (bijv. Self-Refine, RCoT) hebben vaak moeite om hun eigen redeneerfouten effectief te lokaliseren en te herstellen, vooral wanneer de fouten subtiel zijn of diep ingebed liggen in de redeneerketen.

2. Methodologie: Deep Interaction

Het artikel stelt Deep Interaction voor, een paradigma dat verschuift van conversationele feedback naar directe bewerking van de redeneeroutput van het model. Deze aanpak behandelt de CoT-reactie als een document dat gebruikers kunnen herzien, vergelijkbaar met een "wijzigingen bijhouden"-modus in tekstverwerkers.

Kernframework

Het proces bestaat uit drie hoofdfasen:

Menselijke Bewerking: De gebruiker identificeert een fout in de initiële CoT-reactie van het model ( $C_r$ ) en bewerkt de tekst direct om een gecorrigeerde versie ( $C'_r$ ) te creëren. Dit maakt precieze interventie in specifieke redeneerstappen mogelijk zonder de gehele keten te hoeven herschrijven.
Wijzigingsdetectie en Verwerking: Het systeem gebruikt het Myers Diff-algoritme om wijzigingen tussen de originele en de bewerkte tekst te detecteren. De bewerkte CoT wordt opgedeeld in drie delen:
- Pre-edit: Inhoud vóór de wijziging.
- Edit-section: De gewijzigde inhoud.
- Post-edit: Inhoud volgend op de wijziging.
  Specifieke verwerkingsstrategieën worden toegepast op elk segment:
- Nadruk: Bewerkte secties worden geaccentueerd (bijv. met Markdown **vetgedrukt**) om de aandacht van het model te trekken.
- Snoeien (Pruning): Teksten met een lage waarde en semantisch redundante segmenten worden verwijderd om ruis te verminderen.
- Verwijderen (Removing): Vervolgcontent die door de bewerking ongeldig kan zijn geworden, wordt verwijderd om inconsistentie te voorkomen, waarbij alleen structurele koppen indien nodig behouden blijven.
- Delexicalisatie: Numerieke waarden worden gemaskeerd om te voorkomen dat het model vertrouwt op gememoriseerde oppervlaktevormen in plaats van semantische redenering.
Semantische Verfijning (CoT Reprompter): Om te voorkomen dat het model de oorspronkelijke foutieve suffix regenereert door sequentiële memorisatie, wordt de bewerkte CoT verwerkt door een CoT Reprompter. Dit component (geïmplementeerd via few-shot prompting met een groot LLM of door een lichtgewicht LLM te finetunen) destilleert de bewerkte inhoud tot een gestructureerde "Feedback-CoT". Dit zorgt ervoor dat de nieuwe input ( $Q_{r+1}$ ) de gecorrigeerde semantiek behoudt terwijl redundantie wordt verminderd en de link naar het oorspronkelijke foutieve traject wordt doorbroken.

De definitieve input voor de volgende inferentieronde is een concatenatie van de oorspronkelijke query ( $Q_r$ ) en de bewerkte, verwerkte CoT ( $C'_r$ ), wat de LLM stuurt naar het genereren van een gecorrigeerde reactie ( $C_{r+1}$ ).

3. Belangrijkste Bijdragen

Directe Bewerkingsparadigma: Introductie van een "revisiemodus" voor LLM-interacties, waardoor gebruikers redeneerstappen direct kunnen bewerken in plaats van te vertrouwen op iteratieve dialoog.
Gedetailleerd Correctiemechanisme: Een technische pijplijn die tekstverschillen (Myers Diff), semantisch snoeien en delexicalisatie combineert om menselijke bewerkingen om te zetten in effectieve prompts.
Destillatie via CoT Reprompter: Een methode om bewerkte CoT-segmenten om te zetten in geoptimaliseerde prompts die het model wegsturen van gememoriseerde onjuiste voortzettingen.
Empirische Validatie: Uitgebreide evaluatie over meerdere benchmarks (ScienceQA, Gaokao-MM, LogicQA, en een aangepaste STEM20K-dataset) die een superieure prestatie aantoont ten opzichte van dialooggebaseerde baselines.

4. Experimentele Resultaten

De auteurs evalueerden Deep Interaction tegenover dialooggebaseerde correctiemethoden en zelfcorrectie-baselines (RCoT, Self-Refine) over verschillende modellen (Qwen, GPT, Gemini, Claude) en moeilijkheidsgraden.

Succespercentage Correctie: Deep Interaction behaalde een verbetering van >25% in de succespercentages van correctie vergeleken met de baselines van dialoogmethoden op STEM- en logische redeneertaken.
Token-efficiëntie: De methode verminderde het tokengebruik met ongeveer 40% vergeleken met multi-turn dialoog, omdat het de accumulatie van conversatiegeschiedenis voorkomt.
Prestaties over Rondes:
- Op de STEM20K-dataset was het slagingspercentage binnen 2 rondes voor Deep Interaction 79,27%, vergeleken met 72,93% voor dialooggebaseerde methoden.
- Op Gaokao-MM bereikte Deep Interaction een slagingspercentage van 93,42% binnen 4 rondes, waarmee het de dialoog-baseline (88,85%) overtrof.
- De methode toonde consistente winst over verschillende modelgroottes (Qwen2.5-VL 7B tot 72B), hoewel de absolute winst kleiner was voor het 7B-model, wat aangeeft dat modelcapaciteit een factor blijft.
Foutentype-analyse: De methode was bijzonder effectief in het corrigeren van redeneerconsistentie en numerieke rekenfouten. Het artikel merkt echter op dat Beeldherkenning-fouten een uitdaging blijven, aangezien zowel dialoog- als bewerkingsmethoden moeite hebben met visuele semantische misinterpretaties.
Ablatie-studies: Het verwijderen van een component (bewerkbare respons, tekstverwerking of CoT Reprompter) leidde tot een significante prestatiedegradatie, wat de noodzaak van de volledige pijplijn bevestigt.

5. Betekenis en Claims

Het artikel positioneert Deep Interaction als een belangrijke stap richting efficiënte mens-AI co-creatie, met name voor complexe redeneertaken. De auteurs stellen dat:

Efficiëntie: Het lost de inefficiëntie van conversationele correctie op door directe, gerichte bewerkingen mogelijk te maken, wat de tokenkosten en interactietijd aanzienlijk vermindert.
Robuustheid: Het verzacht de problemen van "sticky thinking" en memorisatie die de standaard conversationele correctie teisteren, waardoor modellen hun redeneerpaden werkelijk kunnen aanpassen.
Schaalbaarheid: De aanpak is effectief over verschillende modelfamilies en schalen, wat suggereert dat het een generaliseerbare interactiemethode is in plaats van één die gebonden is aan een specifieke modelarchitectuur.
Beperkingen: De auteurs erkennen bescheiden dat de methode afhankelijk is van het vermogen van gebruikers om fouten te identificeren (wat het geschikter maakt voor experts of semi-experts) en dat het vereist dat modellen tussenliggende redeneertrajecten (CoT) blootstellen. Ze merken ook op dat als een gebruiker onjuiste begeleiding geeft, het model deze fout getrouw kan voortplanten.

Het werk is geïmplementeerd als de "Human-CoT" applicatiemodus op SafeWork-R1, wat de praktische toepasbaarheid in real-world systemen demonstreert.