GRAM 入选 NeurIPS 2026：把递归推理变成随机潜轨迹
SungjinAhn_ · x · 2026-09-25
KAIST、Mila、NYU 团队（含 Yoshua Bengio）的 GRAM（Generative Recursive reAsoning Models） 被接收为 NeurIPS 2026 论文。
- 现有递归推理模型（HRM、TRM、Looped Transformer）是确定性的：同样输入永远收敛到同一答案，等于把所有合理推理路径坍缩进单一吸引子。
- GRAM 将递归推理建模为随机潜轨迹，可同时保留多个假设与替代解题策略，并支持推理时按深度（递归）与宽度（并行轨迹采样）双重扩展。
- 同一框架既支持条件推理 p(y|x)，也是通用生成模型 p(x)。用摊销变分推断训练，在结构化推理与多解约束满足任务上超过确定性基线；修订版论文与代码即将开源。
「研究」频道最新
- Explosion 发布 Ellf 目录：52 个 NLP 模板与多智能体标注工作流 — _inesmontani · 2026-11-11
- STABLE 优化器入选 NeurIPS 2026,从优化器层面遏制持续学习遗忘 — v_lomonaco · 2026-11-11
- 从 Bahdanau 到 FlashAttention:一图看懂注意力机制八年演进史 — cneuralnetwork · 2026-11-11
- 三年造 CPU、内存与脉冲网络：一位芯片爱好者的加速器之路 — k7agar · 2026-11-11
- 数学家 Strogatz 探问：当 AI 成为「神谕」，数学将走向何方 — stevenstrogatz · 2026-11-11
- 从莱布尼茨行列式到向量空间：线性代数两百年演化一图看懂 — burny_tech · 2026-11-11