生成式递归推理模型GRAM

递归潜推理被扩展为概率化多轨迹计算框架GRAM。

资讯摘要

论文提出生成式递归推理模型GRAM，将递归潜状态推理从单一确定性轨迹扩展为概率化多轨迹计算。GRAM把推理建模为随机潜轨迹，支持多假设与替代解法，并可通过递归深度和并行轨迹采样实现推理时扩展。作者用摊销变分推断训练，报告其在结构化推理与多解约束满足任务上优于确定性循环和递归基线，并具备无条件生成能力。

要点速读

1. GRAM将递归潜推理建模为随机潜轨迹，支持多假设与并行轨迹采样。
2. 训练采用摊销变分推断，支持条件推理p_θ(y|x)与无条件生成p_θ(x)。
3. 作者报告在结构化推理和多解约束满足任务上优于确定性循环与递归基线。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。