● Bengio 新论文刷新递归推理上限，并行轨迹碾压串行推理

📌 一句话摘要 Bengio 团队提出 GRAM 模型，将递归推理从确定性单轨变为概率性多轨，通过并行采样在 16 步递归+20 条轨迹下超越 320 步串行推理，为推理效率与质量提供了新范式。 📝 详细摘要 本文介绍了图灵奖得主 Yoshua Bengio 团队提出的 GRAM（生成式递归推理

● 10M 参数也能跑 ARC 与数独，Bengio 团队押注「多轨迹推理」

📌 一句话摘要 Bengio 团队提出 GRAM 模型，将递归推理从确定性单轨迹改为概率多轨迹采样，以 10M 参数在 Sudoku-Extreme 上达到 97% 准确率，并在 ARC-AGI 等任务上超越传统递归模型。 📝 详细摘要 本文介绍了由 Yoshua Bengio 团队与 KAIS

● 一个小 10，000 倍的模型如何胜过 ChatGPT？

📌 一句话摘要 本文探讨了微型递归模型（Tiny Recursion Model，简称 TRM），这是一个拥有 700 万参数的架构，它通过优先考虑迭代推理而非模型规模，在逻辑推理基准测试中超越了 DeepSeek R1 和 Claude 3.7 等大型 LLM。 📝 详细摘要 本文挑战了行业对