深度递归模型跨规则知识迁移研究

2026年10月14日，arXiv Artificial Intelligence 刊出 Silvère Gangloff、Jan Hula 的论文，研究简单离散世界之间的知识迁移。研究在类数独的小型离散世界中进行，这些世界由共同基础规则加若干额外规则构成，训练覆盖多种规则组合，并在四个新颖性层级上评估深度递归模型的规则泛化能力。报道称，以符号描述或两个已解示例提供规则时，模型在新规则组合上的表现分别为描述达 99%、示例为 95%；当规则组件在训练中从未共现时，描述低于无信息基线，示例仍高于基线。该框架被认为比 ARC-AGI 等基准更系统地检验泛化情形，为评估深度递归推理模型提供新依据。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。