Paper page - Equilibrium Reasoners: Learning Attractors Enables Scalable Reasoning

来源：https://huggingface.co/papers/2605.21488

摘要

Equilibrium Reasoners 通过任务条件吸引子（task-conditioned attractors）引导潜在动力学系统（latent dynamical systems）朝向有效解，从而实现可扩展推理，在迭代测试时计算中取得了显著的准确率提升。

通过迭代更新潜在状态来扩展测试时计算，已成为一种强大的推理范式。然而，使这些迭代模型（https://huggingface.co/papers?q=iterative%20models）能够泛化到已记忆模式之外的内在机制仍不清楚。我们假设，可泛化的推理源于学习任务条件吸引子（https://huggingface.co/papers?q=task-conditioned%20attractors）：潜在动力学系统（https://huggingface.co/papers?q=latent%20dynamical%20systems）中稳定不动点对应于有效解的过程。我们将此过程形式化为 Equilibrium Reasoners（https://huggingface.co/papers?q=Equilibrium%20Reasoners）（EqR），它无需外部验证器或任务特定先验即可实现测试时扩展（https://huggingface.co/papers?q=test-time%20scaling）。EqR 沿两个轴扩展内部动力学：深度上，通过运行更多次迭代；广度上，通过聚合多次初始化的随机轨迹（https://huggingface.co/papers?q=stochastic%20trajectories）。实验上，测试时扩展（https://huggingface.co/papers?q=test-time%20scaling）带来的收益与朝向解对齐吸引子（https://huggingface.co/papers?q=attractors）的更强收敛（https://huggingface.co/papers?q=convergence）紧密相关。这种吸引子视角允许神经网络根据任务难度自适应地分配测试时计算。简单情况只需 1 到 5 步迭代即可收敛，而困难情况则受益于大规模测试时扩展（https://huggingface.co/papers?q=test-time%20scaling）。通过展开多达等效 40,000 层的深度，可扩展的潜在推理将 Sudoku-Extreme（https://huggingface.co/papers?q=Sudoku-Extreme）上的准确率从前馈模型的 2.6% 提升至超过 99%。这些结果表明，学习到的吸引子景观为理解迭代潜在模型中的可扩展推理提供了一个有用的机制视角。

查看 arXiv 页面（https://arxiv.org/abs/2605.21488）
查看 PDF（https://arxiv.org/pdf/2605.21488）
项目页面（https://x.com/huskydogewoof/status/2057641657580064941?s=20）
GitHub（https://github.com/locuslab/eqr）
添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.21488）

在你的智能体中获取这篇论文：

hf papers read 2605.21488

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

引用本论文的模型 0

没有模型链接本论文

在模型 README.md 中引用 arxiv.org/abs/2605.21488 以从此页面链接到它。

引用本论文的数据集 0

没有数据集链接本论文

在数据集 README.md 中引用 arxiv.org/abs/2605.21488 以从此页面链接到它。

引用本论文的 Space 0

没有 Space 链接本论文

在 Space README.md 中引用 arxiv.org/abs/2605.21488 以从此页面链接到它。

包含本论文的收藏 0

没有收藏包含本论文

将本论文添加到一个收藏（https://huggingface.co/new-collection）中以从此页面链接到它。