Looped Flows：用去噪目标训练循环推理，登顶 ARC-AGI 循环模型
研究者 ayhozade 团队发布论文《Thinking with Looped Flows》，提出一种新推理范式：用局部去噪目标（denoising objectives）训练循环（looped/recurrent）架构，让神经网络学会「通过去噪来思考」，在不增加参数的情况下获得更强推理能力。该方法在 ARC-AGI-1 上达到 58.8%，登顶循环模型的 SoTA。
已确认
- 循环模型在推理时用同一组参数反复更新共享隐状态，从而「多想几步」、投入更多推理时计算求解更难的问题
- 训练难点在于：跨多个循环步做完整反向传播代价高且不稳定，通常只能在一两步后截断梯度，导致早期更新难以学会为后续更新做准备
- 解法是引入局部去噪目标来训练循环推理，使各次更新都能得到有效学习信号
- @burkov 指出该方法破解的正是循环模型多步反向传播不稳的老问题
- 多位转发者（@erikjbekkers、@LucaAmb、@NandoDF）将其定位为 flow-based 语言模型路线的延续
- ARC-AGI-1 成绩为 58.8%
为什么重要
- 该方法不增加参数即可提升推理能力，为推理时扩展计算（test-time compute）提供了新路径
- 去噪目标让早期循环步也能获得直接学习信号，解决了循环模型训练中长期存在的不稳定与信号缺失问题，可能推动循环/递归架构在语言模型中的应用
2026-09-11 ~ 2026-09-13 · 6 条相关
一手来源
- 循环去噪推理新范式 Looped Flows 登顶 ARC-AGI 循环模型 SoTA — erikjbekkers ·
- Looped Flows 新方法破解循环模型多步反传不稳难题 — burkov ·
- Looped Flows 论文：ARC-AGI-1 达 58.8%，用去噪目标训练循环模型 — chaumian ·
- 【源头】循环去噪推理新范式 Looped Flows 登顶 ARC-AGI 循环模型 SoTA — erikjbekkers · 2026-09-11
- Looped Flows：局部去噪训练让循环模型推理更强 — omarsar0 · 2026-09-13
- 【源头】Looped Flows 新方法破解循环模型多步反传不稳难题 — burkov · 2026-09-13