arXiv cs.AI· Silv\`ere Gangloff, Jan Hula·· 3 天前AI 评分24
简单离散世界之间的知识迁移
Knowledge transfer between simple discrete worlds
AI 导读
研究在类数独的小型离散世界中测试深度循环模型的知识迁移能力，训练单一模型掌握多种规则组合，并在四个新颖性层级上评估。在重组已训练规则时，符号描述达到99%、示例为95%；当规则组件从未在训练中共现时，描述方式低于无信息基线，而示例方式仍高于基线。该框架比 ARC-AGI 等基准更系统地测试泛化能力，为评估深度循环推理模型提供新依据。
正文 · AI 翻译
摘要：适应新世界并正确推理在未曾遇到过的规则下哪些结果是可能的，是通用智能的一项基本能力。我们在小型离散世界中研究这一问题：与一组共享规则相一致的网格配置集合，具体而言是由共同基础加上少量额外规则构建的类数独谜题。我们在多种规则组合上训练单个深度循环模型，并在四个新颖性层级上测试它：新谜题、已知规则的新组合、从未一起出现过的规则配对，以及训练中完全未见过的规则实例。模型以符号描述或两个已解示例的形式接收生效规则，并将不接收任何规则信息的模型用作基线。在重新组合其训练过的规则时，描述与示例相当或更优（在新组合上为 $99\%$ 对 $95\%$）。在组件在训练中从未共现过的规则实例上，描述低于无信息基线，而示例仍高于该基线。该框架使我们能够以比 ARC-AGI 等基准更系统的方式测试许多此类泛化情形，并为评估深度循环推理模型提供了新基础，这类模型通常在已饱和的数独基准上测试。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.15081 [cs.AI] |
| （或 arXiv:2610.15081v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15081 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Silvère Gangloff [查看电子邮件]
[v1]
2026年10月10日星期六 17:28:23 UTC（51 KB）
来源：arXiv cs.AI · arxiv.org