研究提出离散世界知识迁移评测框架

研究者 Silvère Gangloff 与 Jan Hula 发表论文，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其规则泛化能力。 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，符号描述方式反而低于无信息基线，示例方式仍保持优势。 该框架被作者用于比 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。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。