进一步退千步：利用去噪递归模型提升推理能力

循环 Transformer 通过重复应用共享模块扩展计算深度，适用于迭代优化，但在缺乏中间路径监督时难以学习长程优化轨迹。扩散模型虽通过单步去噪解决此问题，却导致训练与测试行为不一致。本文提出去噪递归模型，通过多步递归去噪策略，构建可行的中间状态课程，对齐训练与测试行为，并激励非贪婪的前瞻性生成。实验表明，该方法在 ARC-AGI 基准上优于 Tiny Recursion Model，展现了卓越的推理性能。