生成式递归推理模型（GRAM）：将递归潜态推理转化为概率多轨迹计算
原帖
**生成式递归推理模型（GRAM）：将递归潜态推理转化为概率多轨迹计算**
_Generative Recursive Reasoning_
> 本文提出生成式递归推理模型（GRAM）框架，将递归潜态推理转化为概率多轨迹计算，以替代自回归序列扩展。GRAM通过随机潜态轨迹建模推理过程，支持多假设、多解策略和推理时扩展，实现了条件推理和无条件生成。实验表明，其在结构推理和多解约束任务上优于确定性基线，为神经推理系统提供了新方向。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-21 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.19376)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
First-Principle报道了生成式递归推理模型（GRAM），该框架将递归潜态推理转化为概率多轨迹计算，以替代自回归序列扩展。GRAM支持多假设、多解策略和推理时扩展，在结构推理和多解约束任务上优于确定性基线。
答案说明
GRAM是生成式递归推理模型，通过随机潜态轨迹建模推理过程，将递归潜态推理转化为概率多轨迹计算，支持多假设和推理时扩展，实现条件推理和无条件生成。
这篇帖子回答的问题
- 生成式递归推理模型（GRAM）的核心思想是什么？
- GRAM在实验中的表现如何？
核心观点
- GRAM框架将递归潜态推理转化为概率多轨迹计算，替代自回归序列扩展
- GRAM在结构推理和多解约束任务上优于确定性基线
FAQ
- Q: GRAM是什么？
- A: 生成式递归推理模型（GRAM）是一种将递归潜态推理转化为概率多轨迹计算的框架，支持多假设和推理时扩展。
关键实体
- 生成式递归推理模型
- GRAM