Flow Reasoning 模型：用迭代纠错解 Sudoku，推理 FLOPs 省 44 倍
burny_tech · x · 2026-09-06
alphaXiv 收录的新论文提出 Flow Reasoning Models（FRM），一种面向结构化推理的新框架：自回归模型按顺序决策且无法修改早前结论，掩码扩散模型又难以并行协调相互依赖的预测；FRM 让 flow 模型对自身当前解进行自条件化，把一次性去噪变成迭代式解的修正，类似反复纠错。
针对递归加深后自条件化因 exposure bias 失效的问题，作者提出 Fixed-Point Forcing（FPF）：在模型自身推理动力学产生的状态上训练，同时保持标准 flow-matching 目标。
成绩：Sudoku-Extreme 解出率 99.5%，Zebra 100.0%，Maze-Unique 99.9%；在 Sudoku-Extreme 上以比次优方法少 44 倍的推理 FLOPs 达到更高的峰值准确率（对比 98.7%）。
所属事件:Flow Reasoning 模型迭代重写全解，推理算力省 44 倍(3 条相关)→
「研究」频道最新
- NEAR AI Lean agent 全解 Putnam Bench,成本仅为次便宜方案的 1/250 — lukaszkaiser · 2026-09-06
- KV缓存原理详解：LLM推理中为何重要且常被误解 — techNmak · 2026-09-06
- AI 用 48 小时写 2 万行 Lean 代码,攻克 98 年未解的数学难题 — 量子位 · 2026-09-06
- 「认知地图作为思维媒介」新文分享 — abenitezburraco · 2026-09-06
- Google 论文数学证明:训练数据缺技能时,推理越长错误越爆炸 — solyarisoftware · 2026-09-06
- 北大与快手 Kling 推出 MAVIN，多镜头音视频生成入 ECCV 2026 Oral — jiqizhixin · 2026-09-06