sudoku
PulseAugur coverage of sudoku — every cluster mentioning sudoku across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Masked diffusion LLMs use EoS tokens for hidden reasoning
研究人员发现，掩码扩散大型语言模型（LLMs）可以利用序列结束（EoS）标记进行隐藏推理，从而提高其在复杂任务上的性能。通过将答案填充到超出正确长度的EoS标记，这些模型似乎利用这些标记的表示作为额外的计算能力。在加法、实体跟踪和数独等任务上使用LLaDA1.5和Dream-v0等模型进行的实验证实，添加EoS标记可以提高准确性。进一步的因果干预，即将EoS标记的隐藏状态转移，增加了反事实答案的可能性，表明这些标记具有潜在的推理能力。
-
新型图机器架构通过边机制增强AI推理能力
研究人员推出了一种名为Graph Machine的新型架构，旨在通过引入显式的基于边的机制来增强推理能力。该模型具有边增强注意力机制，其中边会影响节点交互；以及边中心引用机制，允许节点通过交换地址来更新其边。这些机制使得跨层的关系图能够动态构建和修改，在解决数独谜题方面表现优于标准的Transformer模型。
-
研究发现低精度Transformer可模拟图灵机
研究人员分析了标准Transformer解码器的表达能力，重点关注低精度和softmax注意力等实际方面。他们的工作通过证明这些实际配置仍能模拟图灵机，从而弥合了理论模型与现实世界Transformer之间的差距。研究还表明，总结的思维链范式对于这种模拟更有效，其扩展与模型大小相关，属于空间界限而非时间界限。
-
神经推理器充当单次预测器，而非迭代求解器
一篇新论文介绍了一种名为 Lattice Deduction Transformer (LDT) 的神经求解器，它与预期相反，在充满线索的数独游戏中充当单次预测器，而不是迭代推理器。研究表明，该模型在单次传递中就完成了大部分网格的填充，这种现象被称为“首次通过投毒”，即在任何搜索过程开始之前就自信地删除了错误的值。虽然添加诸如回溯之类的搜索机制可以显著减少冗余计算，但并不能提高准确性，这表明优化和样本效率是关键优势。该论文提出了两种干…
-
新颖的振荡神经网络方法解决了数独问题
研究人员开发了一种使用振荡神经网络（ONN）解决数独谜题的新颖方法。该方法将数独问题重新表述为图着色任务，并加入了一个额外的项来确保满足数独的特定约束。与现有的历史新闻网络（HNN）和ONN求解器相比，提出的求解器在4x4和9x9数独谜题上均取得了高精度，显示出更高的准确性。
-
新的神经符号方法增强了VLM在数独问题上的推理能力
研究人员开发了一种新颖的神经符号方法，以提高视觉语言模型（VLMs）在解决数独等基于网格的谜题时的逻辑一致性。该方法集成了最大可满足性（MaxSAT）预言机，作为VLM生成赋值的验证器和精炼引擎。通过将候选放置编码为软子句，并将数独约束编码为硬子句，MaxSAT求解器在出现不一致时识别出最大的相互一致的赋值子集。这种以结构化文本和视觉格式提供的反馈，指导VLMs提高逻辑一致性并增加解决谜题的成功率。
-
Energy-guided Recursive Model 增强神经网络推理能力，利用 Hopfield 能量 · 跟踪 2 个来源
研究人员推出了一种新颖的递归推理方法——Energy-guided Recursive Model (ERM)。ERM 利用显式的 Hopfield 能量来指导候选轨迹的选择，提供了一种原则性的推理机制。该方法与基于能量的采样技术无缝集成，以提高效率和排名。ERM 在数独和 Pencil Puzzle Bench 等复杂任务上表现出色，优于以往的模型。
-
新的ClassicLogic基准测试AI的组合泛化能力
研究人员推出了ClassicLogic，这是一个旨在评估AI组合泛化能力的新基准。该基准包含四个经典的逻辑谜题：数独（Sudoku）、KenKen、数和（Kakuro）和不重复数字（Futoshiki）。其独特之处在于一个分层知识库，该知识库将复杂的求解策略定义为更简单策略的组合，从而能够详细评估AI从基本规则到多步解决问题的推理能力。
-
新研究聚焦大语言模型推理、长上下文和工具集成
多篇研究论文探讨了大语言模型（LLM）推理能力的进步，重点在于提高长时任务和工具集成的性能。Apple的研究引入了LEAD，一种通过整合未来验证和重叠回滚来克服LLM推理中“无恢复瓶颈”的方法，使模型能够解决跳棋跳跃等复杂问题。其他论文提出了用于工具集成推理中的逐轮回溯自我蒸馏的TurnSight，衡量解释器稳定性的方法，以及通过测试时缩放和从失败轨迹中反思性学习来分析和改进推理过程的技术。此外，研究还探讨了优化推理接口以缩短响应时间…
-
新的MDM-VGB采样器通过奖励引导的重新掩码增强了扩散模型
研究人员开发了MDM-VGB，一种新颖的离散扩散采样器，旨在增强掩码扩散模型（MDMs）。该新方法集成了奖励引导的重新掩码，其灵感来自Jerrum-Sinclair回溯马尔可夫链，以改善高奖励生成和样本编辑。MDM-VGB在掩码状态图上运行，允许灵活地取消掩码和重新掩码标记，以偏好更高价值的配置。该方法在理论上是稳健的，并实现了二次复杂度，优于最佳N等启发式方法，并在数独和QM9等基准测试上得到了实证验证。
-
新的AI框架通过自我完善和数据高效蒸馏增强推理能力 · 跟踪4个来源
研究人员开发了新的框架来增强AI模型的推理能力。一种方法，流动推理模型（FRMs），使用迭代自我完善和动态稳定性检查来高精度地解决数独等复杂谜题。另一种方法，SemFlowRAG，通过创建有向语义梯度图来指导模型从抽象概念到具体证据，避免“概率黑洞”，从而改进检索增强生成。此外，数据高效蒸馏框架（DED）使用精选数据集和最优教师模型，无需大规模扩展即可实现强大的推理性能，为高级AI推理提供了实用途径。
-
新方法剖析扩散模型推理增益
研究人员开发了一种名为检索预热的基于能量的推理（RW-EBR）的新方法，以更好地理解加速扩散模型推理的贡献因素。这种五臂消融方法分离了类别先验偏差转移、随机预热启动和图对齐值重用等效应。在连通性-2和Sudoku任务上的实验表明，每图对齐是性能提升的主要因素，而不是单独的偏差转移或随机性。该方法旨在识别推理任务中的阻塞组件并提高故障模式的可解释性。
-
EndoCoT框架通过多模态大语言模型增强扩散模型的推理能力
研究人员推出EndoCoT，一个旨在增强扩散模型与多模态大语言模型（MLLMs）集成时的推理能力的新框架。该框架解决了当前MLLM集成中的局限性，例如推理深度不足和解码过程中的不变引导。EndoCoT采用迭代式思维引导模块来优化潜在思维状态，并采用终端思维接地模块来确保推理与文本监督对齐。这种方法使扩散模型能够逐步分解和执行复杂指令，从而在迷宫求解和数独等任务上取得改进的性能，平均准确率为92.1%。
-
新的反射掩码技术增强了扩散模型的推理能力
研究人员推出了一种名为反射掩码（RM）的新型训练后技术，旨在增强掩码扩散模型（MDMs）的推理能力。与依赖顺序生成的自回归模型不同，RM允许MDMs通过多轮掩码和去噪迭代地改进先前的输出，类似于人类纠错。该方法包含历史参考（History Reference），一种无参数机制，利用中间去噪状态从先前的轮次中汲取见解。这种方法无需架构更改，并在文本生成、数独和图像编辑等各种任务中展示了持续的性能提升，将RM定位为MDM推理的基础要素。
-
扩散模型指导数独求解器，提高效率
研究人员开发了 DiBS，一种将扩散模型集成到数独谜题求解的分支选择过程中的新方法。该方法旨在克服现有求解器在正确性保证方面的不足或在长尾搜索问题上的困难。通过使用扩散模型对候选值进行排序并结合轻量级一致性信号，DiBS 提高了符号求解器的效率，尤其是在具有挑战性的实例上。
-
Winfree振荡神经网络展示参数效率
研究人员推出了一种新颖的动力学架构——Winfree振荡神经网络（WONN），该架构利用广义Winfree动力学进行计算和表示。这个新模型通过结构化的振荡相互作用在环面上演化表示，将基于相位的归纳偏置与灵活的交互机制相结合。WONN在各种任务上展示了具有竞争力或更优的性能和参数效率，包括CIFAR和ImageNet上的图像识别，以及Maze-hard和Sudoku上的复杂推理。
-
研究人员提出球形流以改进分类数据采样
研究人员开发了一种新的方法，通过在球体而非欧几里得空间上操作来学习离散序列的生成模型。该方法利用 von Mises-Fisher 分布创建自然的噪声过程，并允许使用 ODE 和预测器-校正器采样技术。该方法在涉及数独和语言建模任务的实验中显示出显著的改进。