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
- 上述扩散语言模型偏见研究上线可交互 demo,可扫全部采样组合 — Bollegala · 2026-10-23
- 扩散语言模型的偏见排名随采样配置改变,去偏后仍不稳定 — Bollegala · 2026-10-23
- Google 量子 AI 上线可验证量子线路编译 Kaggle 赛题 — JFPuget · 2026-10-23
- 聚合各实验室 tokenizer 发现约 994 个跨代稳定的通用 token — kalomaze · 2026-10-23
- 研究者让 Grok 自己写提示词，追查 X 上 LLM 驱动的阿联酋水军网络 — FlorianGallwitz · 2026-10-23
- 开发者把 Qwen3-0.6B 改造成 MoE：质量下降，0.6B 级别提速有限 — Bayliner1980 · 2026-10-23