扩散模型无需显式训练即可预测 Sokoban 谜题的可解性

研究人员开发了一种基于 Transformer 的扩散模型，该模型能够以 77.4% 的准确率预测 Sokoban 谜题的可解性，尽管它仅在瓷砖完成上进行训练，而没有显式的可解性标签或求解器。该模型改编自 MD4，并在 DeepMind 的 Boxoban 数据集上进行训练，证明了诸如谜题可解性之类的全局属性可以从局部训练目标中涌现出来。该模型能够按任何顺序揭示单元格，并以已放置的元素为条件，这使其比传统的自回归模型更适合解决问题的非局部约束。 AI

影响 展示了 AI 模型中涌现的能力，表明有可能在没有直接监督的情况下解决复杂的组合问题。

排序理由 该项目是一篇学术论文，详细介绍了一个新模型及其在特定任务上的性能。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Boxoban
• Culberson
• Google DeepMind
• Guez
• MD4
• Sokoban
• Transformer++

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →