@askalphaxiv: 由Yoshua Bengio指导的一篇精彩论文 "Generative Recursive Reasoning" 测试时计算不仅应…

X AI KOLs Timeline 论文
generative-recursive-reasoning test-time-compute reasoning yoshua-bengio arc-agi sudoku recursion

摘要

论文《Generative Recursive Reasoning》提出了一种方法，通过并行采样多个潜在推理轨迹来扩展测试时计算，使模型能够探索多样化的假设并避免确定性坍缩。该方法在数独、ARC AGI、N皇后和图形着色等任务上提升了性能，还可以从头生成有效的数独棋盘和MNIST数字。

由Yoshua Bengio指导的一篇精彩论文 "Generative Recursive Reasoning" 测试时计算不仅应通过更深入的思考来扩展，还应通过更广泛的思考来扩展。 这篇论文使递归成为生成式。它采样多个潜在推理轨迹，让模型并行探索多个假设，从而避免遵循一条确定性路径并坍缩到单一答案。 它在数独、ARC AGI、N皇后和图形着色等任务上表现提升，同时还能从头生成有效的数独棋盘和MNIST数字。
查看原文
查看缓存全文

缓存时间: 2026/05/21 19:39

一篇由Yoshua Bengio指导的有趣论文

“生成式递归推理”

测试时计算不仅应该通过思考得更深来扩展，还应该通过思考得更广。

这篇论文将递归生成式化。它采样了大量潜在推理轨迹，让模型并行探索多个假设，从而避免沿着一条确定性路径坍缩到单一答案。

它改进了数独、ARC AGI、N皇后和图着色问题，同时还能从头生成有效的数独棋盘和MNIST数字。

相似文章

生成式递归推理

arXiv cs.AI

本文介绍了生成式递归推理模型（GRAM），这是一个概率框架，通过支持随机潜在轨迹、多个假设以及通过深度和并行采样实现推理时缩放，扩展了递归推理模型。

TMAS：通过多智能体协同扩展测试时计算

Hugging Face Daily Papers

TMAS 引入了一种多智能体框架，通过结构化协作与分层记忆系统扩展测试时计算，从而增强大语言模型的推理能力。该方法采用专用智能体、跨轨迹信息流以及混合奖励强化学习，有效提升了模型在复杂推理基准上的迭代扩展性能与稳定性。