Sudoku(数独)是一种 9×9 宫格逻辑填数游戏,要求每行、每列和每个 3×3 宫格内数字 1-9 各出现一次。在人工智能研究领域,Sudoku 及其高难度变体 Sudoku-Extreme 已成为衡量模型多步推理与搜索能力的标准基准任务,因为解题过程需要长链条的约束传播和回溯,是检验神经网络能否真正“思考”的试金石。
Sudoku 基准上的近期模型进展
近期多项研究把 Sudoku 作为核心评测任务来验证新架构的推理能力。一项 Energy-Based Reasoners 研究 Energy-Based Reasoners:用能量函数引导循环推理,Sudoku-Extreme 准确率达 99.9% 用能量函数引导循环推理,在 Sudoku-Extreme 上取得 99.9% 的准确率,显示出循环推理路线在硬约束任务上的潜力。
在生成式模型一侧,PaTh:把递归推理引入扩散模型,像素空间解 Sudoku 将递归推理机制引入扩散模型,直接在像素空间解题,绕开了传统的符号化输入表示。同期还有 扩散模型处理离散任务新方法 与 扩散模型作为无时间步迭代推理训练课程 等工作,从离散扩散和训练课程角度探索类似问题。
架构创新方面,Library of Layers:推理时动态调整 Transformer 层顺序的新架构 提出在推理时动态重排层顺序的方案,而 潜在递归思想:冻结大模型的推理方法 则尝试在不微调参数的前提下,通过潜在空间递归增强冻结大模型的推理表现。
当前焦点与观察点
目前的争议核心在于:Sudoku 上的高分到底代表真正的通用推理能力,还是对特定任务结构的过拟合。Sudoku 规则明确、可验证性强,模型可以学到高效的约束传播模式,但这种能力未必能迁移到开放式推理场景。多项工作(如 MPLON 的消息传递机制 MPLM:消息传递机制实现高效LLM推理)都选择在 Sudoku 上报告结果,但缺乏跨任务的统一对比。
值得关注的观察点有三:其一,循环/递归推理架构在 Sudoku-Extreme 这类困难变体上的准确率已接近饱和,下一步要看能否在数学证明、代码生成等任务上复现;其二,扩散语言模型正把 Sudoku 作为离散推理的练兵场,其与自回归模型的表现对比尚未有定论;其三,评测协议本身——包括难度分级、提示格式和是否允许外部搜索工具——仍待社区形成共识,否则各论文的数字难以直接比较。