跳到主要內容
2026-11-19 日報
研究與評測

杜克與哈佛等團隊發表 Energy-Based Reasoners:以 1.8M 參數在數獨極限題達 99.9% 準確率,推論算力減省 345 倍

Hacker News單一來源
尚未逐項核實

目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

根據杜克大學、伊利諾大學厄巴納-香檳分校(UIUC)與哈佛大學研究團隊公布的論文,該團隊提出名為 Energy-Based Reasoners(EBRs)的推論架構。該方法在潛在推論狀態上學習能量函數,並將循環模型的狀態更新設計為對能量進行梯度下降。系統透過能量評估候選答案,利用梯度導引優化方向;當能量梯度降至閥值以下時自動判定停止,不需外部分析器或驗證器,並能依能量高低自多組解中選取最佳候選。 在參數量僅 1.8M 的條件下(既有對照模型如 TRM、EqR、GRAM 約為 5M 至 10M),EBRs 在多項演算法推論基準測試取得領先表現。在 Sudoku-Extreme 測試中,單樣本準確率達 99.4%,5 個樣本時準確率達 99.9%,較次佳模型減少 345 倍推論算力(網頁標題稱效率最高提升 385 倍);在 Maze-Hard 基準上,單樣本與 5 樣本準確率分別為 87.4% 與 88.3%。 針對具多組解的任務,EBRs 在 8×8 與 10×10 的 N-Queens 題目分別達到 100% 與 99.5% 的 Pass@1 準確率,20 樣本覆蓋率(Cov@20)分別為 98.1% 與 92.0%;在 8 節點與 10 節點的圖著色問題(Graph Coloring)上,EBRs 單樣本衝突數降至 0,20 樣本覆蓋率分別達 88.6% 與 54.5%,超越先前的循環推論架構。目前該成果僅發布於專案網站與預印本論文,尚未經同儕審查。
讀原始報導

社群討論

討論普遍認為這類能量基模型(EBM)只適用於數獨、圖著色等受限的離散推理問題,難以取代或大幅增強 LLM;有留言指出其數獨模型約 180 萬參數,訓練也極困難。質疑聲音包括:論文未清楚定義「能量」、Logical Intelligence 被指藉 LeCun 名號炒作,另有人注意到標題 385x 與內文 345x 數字不一致。

本期分類