Energy-Based Reasoners: Латентното енергийно разсъждение постига до 385 пъти по-ефективен инференс

Публикувано от Svetni.me Editorial на 18 ноември 2026 г. в Изкуствен интелект

Триизмерна визуализация на енергиен ландшафт и градиентно спускане в латентното пространство на невронна мрежа
Източник: Hacker News / Energy-Based Reasoners Research

Екип от изследователи в областта на машинното обучение публикува фундаментална разработка за Energy-Based Reasoners (EBR) — нов клас рекурентни модели за разсъждение, базирани на енергийно-базирани модели, които постигат до 385 пъти по-висока изчислителна ефективност при инференс в сравнение със стандартните авторегресивни системи [1]. Вместо да изписват хиляди междинни думи при търсене на решение, EBR моделите оптимизират компактна латентна работна памет чрез директно градиентно спускане.

Енергийната функция като компас и критерий за спиране

Съвременните модели за разсъждение разчитат или на дълги текстови вериги на мисълта (Chain-of-Thought), или на циклични рекурентни слоеве (looped transformers). Основният дефект на досегашните циклични модели е, че те обновяват вътрешното си състояние „на сляпо“, без ясна метрика дали всяка следваща итерация ги приближава до вярното решение или кога трябва да спрат.

Архитектурата EBR решава това в духа на принципа за изчислителна пестеливост (бръснач на Окам), като обучава скаларна енергийна функция $E(x, z)$, която оценява съвместимостта между входния проблем $x$ и латентното състояние на разсъждение $z$. Всяка стъпка от цикъла е насочено градиентно спускане по този енергиен релеф, а достигането на локален минимум служи като точен математически сигнал за спиране на изчисленията.

99,9% точност в Sudoku-Extreme при стотици пъти по-малко изчисления

Чрез ефективно групиране на информацията (Chunking) в непрекъснати латентни вектори и нов метод за изследователско обучение (exploration-based training), EBR оформя гладък енергиен ландшафт, който улавя множество валидни решения на сложни комбинаторни задачи.

В четири строги бенчмарка за алгоритмично разсъждение и удовлетворяване на ограничения EBR постига 99,9% точност на теста Sudoku-Extreme, използвайки до 345–385 пъти по-малко инференс изчисления от следващия най-добър рекурентен модел при идентичен бюджет за обучение.

Преходът от вербализирано мислене към непрекъснато латентно разсъждение

Разработката на Energy-Based Reasoners атакува една от най-големите неефективности в съвременния изкуствен интелект — принуждаването на невронните мрежи да „мислят на глас“ чрез дискретни човешки думи. Човешкият език е създаден за комуникация с ниска пропускателна способност, а не за паралелно решаване на многомерни логически ограничения.

Пренасянето на разсъждението в непрекъснато латентно пространство, управлявано от енергийни градиенти (концепция, дълго защитавана от пионери като Ян Лекун), отваря пътя към ново поколение компактни модели, способни да решават сложни математически и инженерни задачи за милисекунди.

Energy-Based Reasoners: 385x по-ефективно латентно разсъждение
Инфографика: Аналитичен преглед на Svetni.me

Източници

  1. Energy-Based Reasoners: 385x more efficient inference - Project Page