recurrent-latent-reasoning

一个1.5亿参数的非Transformer架构在ARC-AGI-1上实现了最先进的成本效率，并获得了Transformer论文联合作者Łukasz Kaiser的验证，表明循环潜在推理可以取代暴力扩展。

本文介绍了BDH-CQ，一个150M参数规模的推理模型，它将上下文学习与循环潜在推理相结合，在ARC-AGI-1上以极低的推理成本实现了29.5%的pass@2，确立了新的成本-精度前沿。