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
- 对齐计划里的「魔法OOD步骤」:用分布定义掩盖泛化鸿沟 — nabla_theta · 2026-09-25
- 铌酸锂高速调制器新演示，双波段光栅耦合器设计更亮眼 — jwt0625 · 2026-09-25
- MindGames 智能体测谎基准中稿 NeurIPS:944 支队伍约 3 万局对局 — LChoshen · 2026-09-25
- 研究者：对齐能力同样呈尖峰状，域间或极端分化 — nabla_theta · 2026-09-25
- NeurIPS 论文被接收，最终评审意见却全是负面并质疑 AI 使用 — Rich-Mycologist-75 · 2026-09-25
- 深耕形式化验证 8 年，Kaiyu Yang 反思形式化变廉价后能解决什么 — KaiyuYang4 · 2026-09-25