Flow Reasoning模型：并行改错，数独极端难度99.5%解出率
alec_helbling · x · 2026-09-03
IBM 研究者（含 Duen Horng Chau、Mauro Martino 等）发布论文《Flow Reasoning Models: Turning Flows Into Efficient Recurrent Reasoners》，提出 FRM 框架：把连续流（flow）适配到离散结构化输出上，通过 self-conditioning 让一次性去噪变成迭代式解答精炼，从而能并行地做出并修正相互依赖的决策——这是自回归模型（顺序提交、无法回头）和掩码扩散模型（需精心设计解码协调）都难以做到的。
作者还指出常规 self-conditioning 在更深的循环深度下会因曝光偏差失效，为此提出 Fixed-Point Forcing（FPF）：用模型自身推理动态产生的状态训练，同时保留标准 flow-matching 目标。
成绩：Sudoku-Extreme、Zebra、Maze-Unique 上解出率分别达 99.5%、100.0%、99.9%；在 Sudoku-Extreme 上峰值准确率超过所评测的掩码扩散等基线。作者补充了一个优雅的动力学系统视角：正确答案即 self-conditioned 流动力学的不动点吸引子。
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