BDH-CQ 模型演示：潜在推理将单任务成本压至 0.0007 美元

TheTuringPost · x · 2026-08-17

研究人员发布了 BDH-CQ 模型，这是一个仅有 1.5 亿参数的小模型，通过结合“潜在推理”和“临时记忆”实现了极低的推理成本。该模型不通过文本输出中间步骤，而是在隐藏表征（潜在空间）中反复处理内部状态，并能从演示示例中直接学习规则。在 ARC-AGI-1 视觉推理基准测试中，BDH-CQ 实现了 29.5% 的 pass@2 成绩，而单任务推理成本仅为 0.0007 美元（不到十分之一美分）。这表明语言可能并非 AI 推理的必要工作空间，为小模型的扩展提供了新路径。