基准数独

Sudoku

数独推理任务，常用作评估语言模型和扩散模型推理能力的基准测试

时间轴 (近 90 天)

10月27日

在 Sudoku 任务上，布朗腐蚀与矩匹配 vMF 腐蚀在四种采样器和五种预算下给出了几乎相同的结果。

待验证50%

10月27日

采样器带来的增益可拆解为记忆效应（在 Sudoku 和 GSM8K 上均存在）与词元选择效应（在 GSM8K 上出现且小预算下最显著）。

待验证50%

10月16日

研究者用 Maze（迷宫）和 Sudoku（数独）等结构化世界建模任务验证了分级验证框架的有效性。

待验证50%

在 Sudoku 任务上，布朗腐蚀与矩匹配 vMF 腐蚀在四种采样器和五种预算下给出了几乎相同的结果。

采样器带来的增益可拆解为记忆效应（在 Sudoku 和 GSM8K 上均存在）与词元选择效应（在 GSM8K 上出现且小预算下最显著）。

研究者用 Maze（迷宫）和 Sudoku（数独）等结构化世界建模任务验证了分级验证框架的有效性。