实体
Sudoku-Extreme
Sudoku-Extreme
PulseAugur coverage of Sudoku-Extreme — every cluster mentioning Sudoku-Extreme across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
Equilibrium Reasoners 通过学习吸引子实现可扩展推理
研究人员推出了一种新框架 Equilibrium Reasoners (EqR)，该框架能够实现迭代神经网络模型中的可扩展推理。EqR 假设可泛化的推理源于学习任务条件吸引子，而吸引子是稳定在有效解决方案上的动力学系统。这种方法允许模型根据任务难度自适应地分配计算资源，通过扩展测试时间计算量，显著提高了在 Sudoku-Extreme 等复杂问题上的准确性。
-
新框架衡量人工智能空间推理中的信息流
研究人员引入了一个名为“交互局部性”的新框架，用于衡量人工智能模型在空间推理任务中信息流动的过程。该框架分析计算是否保持局部化或跨越语义边界，并将其应用于HRM和TRM等分层和递归推理模型。研究发现，这些模型中的高级状态倾向于在局部写入信息，然后通过递归更新累积到更广泛的结构中，这种模式在具身3D模型模块边界处也得到了观察。
-
概率性微型递归模型提升解谜准确率
研究人员开发了一种概率性微型递归模型（PTRM），以提高微型递归模型（TRM）在复杂推理任务上的性能。与可能陷入次优解的确定性 TRM 不同，PTRM 在递归过程中注入高斯噪声，从而实现随机探索。这使得能够并行探索各种解决方案路径，从而在 Sudoku-Extreme 和 Pencil Puzzle Bench 等基准测试中显著提高了准确性。PTRM 以少量参数和远低于前沿 LLM 的成本实现了高准确率。