通过引导推理增强推断：递归模型的随机探索

近期研究表明，递归架构能通过潜在动态系统建模推理轨迹，使小型神经网络在结构化推理任务中表现卓越。本文提出将此类架构的推断行为理解为对潜在推理轨迹的近似推断，并通过引导式随机探索使其可操作化：利用随机扰动生成邻近轨迹，并由早期停止头在线重加权。该框架提供了三种无标签诊断指标，仅凭推断轨迹即可预测过程有效性及输出可信度。实验显示，该方法在未重新训练的情况下，将 Sudoku-Extreme 的精确求解准确率从 85.9% 提升至 98.0%，并能有效识别 Maze-Hard 任务中的引导错位问题。