SE-RRM:200 万参数显式编码对称性, Sudoku 与 ARC-AGI 双双突破
gklambauer · x · 2026-09-05
作者在一条介绍 Flow Reasoning Models 的推文下推荐了自家 ICML 2026 论文 Symbol-Equivariant Recurrent Reasoning Models (SE-RRMs)，延续 HRM、TRM 等递归推理模型路线。
- 核心思路:现有 RRM 只能靠昂贵的数据增强隐式处理符号对称性;SE-RRM 在架构层面通过符号等变层强制置换等变性，保证符号/颜色置换后解完全一致。
- 实验结果:在 9x9 Sudoku 上超越既有 RRM，且仅用 9x9 训练即可泛化到 4x4、16x16、25x25 规模——这是现有 RRM 无法外推的。
- ARC-AGI:在 ARC-AGI-1 和 ARC-AGI-2 上取得有竞争力的成绩，数据增强需求大幅减少，参数量仅 200 万，证明显式编码对称性能显著提升神经推理的鲁棒性与可扩展性。
代码已开源。同帖提到的 Flow Reasoning Models 是作者团队另一项工作，用循环流架构通过自条件化迭代修正错误来求解结构化推理问题(如数独)。
「研究」频道最新
- Bug Hunt Bench 发布:105 个真实 Bug 横测 GPT-6、Claude、Grok 等前沿模型 — PawelHuryn · 2026-09-05
- AI 辅助证明引发争论：数学界是否还关心真理本身 — avt_im · 2026-09-05
- 博主宣布 eyebench 停更 v4,转向更难基准 — adonis_singh · 2026-09-05
- 高算力 RL 下人格选择模型渐失预测力，研究者质疑泛化机制 — voooooogel · 2026-09-05
- 166700 神经元果蝇连接组跑进 Minecraft，成功驱动苍蝇运动 — Dan_Jeffries1 · 2026-09-05
- Declarative Attention 协议:让模型自己声明注意区域,解码省 52% KV 读取 — eigenlaplace · 2026-09-05