[AI]《Flow Reasoning Models: Scaling Reasoning Through Iterative Self-Refinement》A Helbling, A Bryutkin, M Martino, N Dehmamy… [Georgia Tech & MIT] (2026)

在离散语言生成领域，结构化推理（如数独、逻辑谜题）是一个悬而未决的难题。过去的方法受困于“一步到位”的生成逻辑，容易陷入自信的错误答案，本质原因是模型缺乏对全局一致性的动态修正能力，无法在生成过程中识别并逃离错误的认知盆地。

本文的核心洞见是：把推理过程重新看作动力系统向稳定不动点的收敛过程。由此，通过自调节通道将前一步预测反馈给模型进行迭代修正，并利用重采样后的稳定性作为内置判别器，使模型无需外部验证即可通过“生成-验证”的闭环不断逼近正确解。

这项工作真正留下的遗产是证明了生成式模型内部蕴含着超越其采样能力的验证信号。它为后来者打开的新门是仅靠增加推理时计算量（Test-time Scaling）即可显著提升模型逻辑上限，但尚未跨过的门槛是这种固定点动力学在非结构化、无明确检查标准的通用任务中的泛化效力。

arxiv.org/abs/2606.29150 #机器学习# #人工智能# #论文# #AI创造营#