BDH-CQ：递归潜空间推理与情境学习研究 AI学会了闭嘴思考

本文介绍了一种名为 BDH-CQ 的新型推理模型，它将上下文学习与循环潜空间推理相结合，通过处理示例来更新其循环记忆。该系统无需生成自然语言中间步骤，而是直接在高维潜空间内进行迭代计算，从而高效地解决视觉变换任务。在 ARC-AGI-1 基准测试中，仅拥有 1.5 亿参数的模型便实现了 29.5% 的准确率，其单次推理成本远低于竞争对手。研究表明，该架构能从演示中学习复杂的色彩映射和空间规律，并展现出卓越的成本效益比。作者通过受控实验分析了模型在规则外推和操作组合方面的能力边界，为超越传统令牌流推理的研究提供了新路径。