maze

general · First seen 2026-06-17 · Last seen 2026-11-13 · 13 mentions

Overview

Maze(迷宫任务基准)是一类用于测试 AI 模型组合泛化与自适应推理能力的评测任务:模型需要在不熟悉的迷宫中逐步搜索路径,而非依赖记忆模板。近年来,随着循环推理(looped)与自适应深度模型兴起,Maze 类任务成为衡量模型能否真正“多算几步就多想一步”的关键试金石,因为在标准语言模型上这类任务往往随迷宫规模变大而性能骤降。

Maze 类任务上的近期进展

Maze 评测直接推动了新一代推理架构的演进。2025 年底公开的 CRAM 能量模型训练推理速度比 Looped 模型快 1000 倍 提出,基于能量函数的 CRAM 模型在保持迭代推理能力的同时,将训练与推理速度提升了三个数量级,直指 looped 模型在 Maze 类搜索任务上计算开销过大的痛点。

Google DeepMind 的 TT-MBRL:用测试时梯度下降将记忆编码进世界模型 则展示了另一条路线:在测试阶段通过梯度下降把环境探索经验写入世界模型,这类方法对迷宫探索类强化学习任务具有直接的适配性。

在架构层面,Library of Layers:推理时动态调整 Transformer 层顺序的新架构 让模型按输入难度动态编排层序列,而 固定点推理模型 FPRM:稳定且自适应的深度循环 Transformer 通过固定点迭代使循环深度自适应收敛,两者都在 Maze 式的可变难度任务上验证了自适应计算深度的价值。

当前焦点与观察点

Maze 类基准的核心争议在于“通用性”:批评者认为迷宫任务过于人工,胜出者可能只是学会了迷宫专用的搜索策略;支持者则视其为衡量模型算法推理能力最干净的可控测试床。另一个观察点是效率——CRAM 与 FPRM 的对比表明,迭代推理的算力成本与自适应深度能否匹配,正在成为该方向能否走向实用的分水岭。扩散语言模型路线(如 LAW 提出纯 Self-Conditioning 生成模型)也开始将迭代去噪与逐步推理训练结合,未来 Maze 类任务可能成为比较“循环式”与“扩散式”推理的统一战场。对关注者而言,值得持续追踪的是:在更大规模的迷宫上,这些架构的泛化曲线是否仍然陡峭下滑。

Coverage

9 on file