Un nouveau modèle d'IA, détaillé dans l'article "Penser sans mots", introduit Abstract-CoT, une méthode qui utilise 64 symboles abstraits uniques pour améliorer l'efficacité de la résolution de problèmes mathématiques. Ces symboles, sans lien avec aucune langue humaine, permettent au modèle d'effectuer un raisonnement préliminaire avant de fournir des réponses, réduisant ainsi de manière significative le nombre de tokens nécessaires pour le raisonnement sur le benchmark MATH-500, jusqu'à 11,6 fois, sans sacrifier la précision. Cette approche améliore également les performances aux tests AlpacaEval et est efficace sur plusieurs familles de modèles, notamment Qwen3-8B, Qwen3-4B et IBM Granite 4.0 Micro. Les symboles ont développé des schémas d'utilisation similaires à ceux du langage naturel, avec une réutilisation fréquente de quelques symboles, ce qui indique un raisonnement structuré plutôt qu'une production aléatoire.