BDH-CQ 用潜空间迭代推理在 ARC-AGI-1 上跑出了极低成

不需要把中间推理过程解码成自然语言，这就是 BDH-CQ 最让我感兴趣的地方。目前的推理模型大多依赖 CoT（思维链），得把每一步思考都写出来，但这其实增加了巨大的 token 开销，而且在潜空间里直接计算理论上效率更高。BDH-CQ 走的是另一条路：它利用递归内存（Recurrent Memory）来处理从未见过的任务示例，然后直接在高维潜空间里通过迭代计算得出答案。

简单来说，它的逻辑是把内存更新、任务自适应和最终推理全部揉进同一个计算框架里。在推理阶段，输入的信息会持续更新模型的递归内存，但它在得出结果之前，中间的所有推理状态都是隐藏的，不需要“说话”。而且最硬核的是，这个过程不需要更新参数，也不需要任务标识符。

从数据上看，这种架构的效率非常惊人。一个只有 1.5 亿参数（150M）的小规模配置，在 ARC-AGI-1 测试集上达到了 29.5% 的 pass@2 准确率，而单次任务的计算成本仅为 0.0007 美元。这直接打破了之前关于成本与准确率的帕累托前沿，证明了不需要巨量参数和冗长的文本推理，也能在极高难度的逻辑推理任务中拿到不错的分数。

对于关注模型效率的人来说，这种潜空间迭代推理的路径比单纯堆 token 长度要优雅得多。如果未来的推理模型能更多地在 latent space 完成逻辑闭环，而不是依赖于可见的文字链，推理速度和成本可能会迎来量级上的下降。

https://arxiv.org/abs/2608.09888