数独相关 AI 资讯 · AI 热点

7月3日

11:37

11:37

官方账号arXiv cs.AI@Timo Bertram, Sidhant Bhavnani, Richard Freinschlag, Erich Kobler, Andreas Mayr, Günter Klambauer

该论文提出神经符号方法G-RRM，集成SE-RRM与符号求解器（如回溯法、Glucose 4.1、CaDiCaL 3.0.0）。在9×9数独上，SE-RRM正确率91.1%，回溯法加速33.3倍，Glucose 4.1加速1.70倍（p<0.001）。CaDiCaL 3.0.0因总是遵循神经提示而非覆盖，无显著加速（中位数1.02倍，n.s.）。加速有效性取决于问题搜索空间规模及求解器能否动态覆盖分支选择。

论文 G-RRM SE-RRM 数独神经符号方法约束满足问题

推荐理由：这篇论文用神经网络给经典求解器指路，数独上回溯法提速33倍，但CaDiCaL不听话就没用，挺挑场景的。

6月11日

11:24

11:24

小互@imxiaohu

精选

DiffusionGemma 模型支持微调，Unsloth 团队已成功演示通过微调让该模型学会解数独。这利用了双向注意力的优势，解决了自回归模型在全局约束任务上的天然短板。在特定垂直任务上，微调后的 DiffusionGemma 质量有望追上甚至超越自回归模型。这一进展为扩散模型在需要全局推理的领域打开了新可能。

AI模型 DiffusionGemma 微调双向注意力数独 Unsloth

推荐理由：做垂直任务微调的开发者值得关注——DiffusionGemma 的双向注意力让数独这类全局约束问题有了新解法，建议试试在自家任务上微调对比效果。

6月2日

10:10

10:10

Gary Marcus@GaryMarcus

精选

Gary Marcus 转发了一条关于神经符号系统（Neurosymbolic）的突破性进展：通过让一个 80 万参数的 Transformer 像逻辑求解器一样推理，仅用 15 分钟训练计算就能在极难数独（sudoku-extreme）上达到 100% 准确率。这项工作由 Leo 在 Axiom Math AI 完成，标志着神经符号集成在推理任务上的重大进步。它展示了小模型通过符号化推理能力可以超越纯神经网络方法，为 AI 推理效率提供了新思路。

论文神经符号系统推理模型 Transformer 数独小模型

推荐理由：神经符号系统终于有了可量化的突破——小模型+符号推理就能碾压纯神经网络，做推理模型和逻辑 AI 的团队值得关注这个方向。

5月21日

15:49

15:49

rohanpaul_ai@rohanpaul_ai

精选72°

一种名为GRAM（生成式递归推理）的新模型，仅用1000万参数，通过同时探索多条推理路径，在硬数独谜题上达到97%准确率，超越此前最佳递归模型（87.4%）。传统递归模型是确定性的，容易陷入错误轨迹，而GRAM在每个推理步骤注入随机性，生成多样化的推理路径，并在测试时并行运行并选择最佳结果。在N皇后等多解任务中，GRAM保持近乎完美的准确率，而确定性模型随解数量增加而崩溃。此外，GRAM还能作为生成器，用16步生成有效数独谜题，成功率99%，远超扩散模型。

论文推理模型并行推理随机性数独 GRAM

推荐理由：GRAM用随机性打破了递归模型的确定性瓶颈，做推理模型或搜索算法的研究者可以直接复现，做数独或组合优化应用的团队值得关注。