论文页面 - BDH-CQ: 基于循环潜在推理的上下文学习

摘要

我们介绍了BDH-CQ，一个将上下文学习与循环潜在推理相结合的推理模型。推理时呈现的输入会持续更新模型的循环记忆；随后，模型在高维潜在空间中通过迭代计算求解查询，而不会将其中间推理过程言语化。我们在公开的ARC-AGI-1评估集上评估了该模型，并使用受控的ARC类干预来研究它从演示中学到了什么、如何一致地应用推断出的变换，以及哪些概念仍然难以处理。一个150M参数的配置在计算推理成本为每任务$0.0007的情况下达到了29.5%的pass@2。这一工作点突破了先前报道的ARC-AGI-1成本-准确性帕累托前沿，在基准成本效率方面确立了新的最先进水平。

查看arXiv页面 查看PDF GitHub2 添加到收藏

在您的智能体中获取此论文：

hf papers read 2608\.09888

没有最新的CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型README.md中引用arxiv.org/abs/2608.09888即可从本页链接到它。

引用此论文的数据集0

没有数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2608.09888即可从本页链接到它。

引用此论文的Space0

没有Space链接此论文

在Space README.md中引用arxiv.org/abs/2608.09888即可从本页链接到它。

包含此论文的集合0

没有集合包含此论文

将此论文添加到集合中即可从本页链接到它。