C-voting：无需显式能量函数的基于置信度的测试时投票

本文针对具有潜在循环处理的神经网络模型，提出了一种名为“基于置信度的投票”（C-voting）的测试时扩展策略。该方法通过随机变量初始化多个潜在候选轨迹，并选择预测顶部概率平均值最高的轨迹，以反映模型置信度。相比依赖显式能量函数的策略，C-voting 在硬难度数独任务上准确率提升 4.9%，且适用性更广。结合新提出的 ItrSA++ 模型，该方法在极端数独和迷宫任务上显著优于现有的分层推理模型（HRM）。