摘要
抽象与推理语料库(ARC)测试模型从少量输入输出示例中推断未见变换并应用于新网格的能力。循环视觉推理器虽能多次迭代优化预测,但传统训练仅约束最终输出,中间过程缺乏约束。本文提出TraceViT,一种采用语义单调变换链进行训练的循环视觉推理器。该方法通过重写和验证程序化任务实现,将解决方案分解为中间网格状态以获得这些链条。每次迭代均通过基于少样本演示的任务参考和表示当前网格状态的对象工作空间进行接地。由于链条长度可能与循环次数不同,软轨迹对齐仅强制其顺序,允许模型自由分配迭代次数。TraceViT在ARC-AGI-1上达到67.8%的pass@2准确率,在ARC-AGI-2上达到24.3%。
AI 推荐理由
论文直接针对视觉抽象推理(ARC)任务,提出通过轨迹监督增强模型的推理能力,属于核心研究。
研究机构
浙江大学
浙江实验室
论文信息