深度递归模型在简单离散世界间的知识迁移研究

研究者用类似数独的小型离散网格世界，训练单一深度递归模型在多种规则组合间迁移，并按四个新颖度级别测试。在已知规则重组任务上，符号描述准确率达 99%，高于示例输入的 95%；但当规则组件从未在训练中共现时，描述方式反而低于无信息基线，示例方式仍保持优势。该框架比 ARC-AGI 等基准更系统地检验泛化能力，为评估深度递归推理模型提供新依据。