BDH-CQ: рекуррентная модель латентного рассуждения преодолевает границу эффективности затрат на ARC-AGI-1
Pathway
BDH-CQ сочетает обучение в контексте с рекуррентным латентным рассуждением: модель обновляет рекуррентную память на основе входных данных, предоставленных во время инференса, и решает запросы через итеративные вычисления в латентном пространстве без формирования вербализованной цепочки рассуждений. Конфигурация с 150 млн параметров достигает 29,5% pass@2 на публичном оценочном наборе ARC-AGI-1 при стоимости $0,0007 за задачу, превосходя ранее заявленную границу Парето по соотношению стоимости и точности для этого бенчмарка.
Почему это важно
Получила 681 лайк на HuggingFace Daily Papers; показывает путь без вербализованной цепочки рассуждений на небольшой модели к конкурентоспособной производительности на ARC-AGI при очень низкой стоимости инференса, что актуально для текущей дискуссии о необходимости вербализованного рассуждения для высокой производительности.
Важность: 4/5
Заметная статья с 681 лайком на HuggingFace Daily Papers (порог повышения ≥100), преодолевающая границу Парето по соотношению стоимости и точности.