Flow Reasoning Models 问世：递归流模型 Sudoku-Extreme 解题率 99.5%，FLOPs 省 44 倍
alec_helbling · x · 2026-09-03
IBM/Aлек Helbling 等人在 arXiv 发布论文《Flow Reasoning Models: Turning Flows Into Efficient Recurrent Reasoners》，提出面向结构化推理的新框架 FRM。
- 核心思路：将连续 flow 应用于离散结构化输出，通过对自身历史输出做 self-conditioning，把一次性去噪变成迭代式解的精炼，从而并行做出并修订相互依赖的决策。
- 关键改进：传统 self-conditioning 在递归深度加大时因 exposure bias 失效；作者提出 Fixed-Point Forcing（FPF），用模型自身推理动力学产生的状态训练，同时保持标准 flow-matching 目标。多次递归 pass 让 Sudoku-Extreme 从约 30% 提升到 99%。
- 成绩：Sudoku-Extreme、Zebra、Maze-Unique 解题率分别为 99.5%、100.0%、99.9%；在 Sudoku-Extreme 上以 44 倍更少 FLOPs 追平次优方法 EqR 的 98.7%，峰值精度更高，推理效率显著优于 HRM、TRM 和 masked diffusion。
- 理论视角：正确答案可视为自条件化 flow 动力学的不动点吸引子，给出优雅的动力系统解释。
所属事件:Flow Reasoning Models：流架构高效解数独(6 条相关)→
「研究」频道最新
- 用贪心与进化搜索找自定义量化方案，兼顾显存与精度 — giffmana · 2026-10-21
- UC Berkeley 开源 SkyDiscover:用进化搜索让 AI 自动发现更优算法 — CShorten30 · 2026-10-21
- 剑桥出版社推出 AI 与语言学研究合集，限时免费开放 — _akpiper · 2026-10-21
- 1.4 毫米无线植入器 SEED:针头注入即可刺激神经 — Ghost_Pilot_MD · 2026-10-21
- tangermeme 技能重写:用有/无对照实测得出 skill 该写什么不该写什么 — jmschreiber91 · 2026-10-21
- seqlet caller 升级后续：DeepLIFT 相关贡献者获致谢 — jmschreiber91 · 2026-10-21