BDH-CQ

自动研究时间：2026-08-12 09:03（Asia/Shanghai）
来源日期：Hugging Face Daily Papers 页面实际显示 Aug 11，列表最顶部为 BDH-CQ: In-Context Learning with Recurrent Latent Reasoning。
研究路径：Daily Papers 列表 -> Hugging Face 详情页 -> arXiv v1 摘要页 -> arXiv 官方 HTML 全文与完整 PDF（正文、实验表、附录、局限和参考文献）-> 官方任务生成仓库。

执行摘要

主流推理模型通常把计算过程写成 token：模型生成一段 Chain-of-Thought（CoT），再把前面生成的文字读回来继续推理。这种做法可解释、易于监督，也天然兼容语言模型接口，但它把内部计算绑定到离散词表和串行解码。推理越长，中间 token、延迟和计算成本越高；每个内部状态还必须先投影成文字，才能进入下一步。

Pathway 等机构提出的 BDH-CQ 试图把“从示例临时学会新规则”和“在连续潜空间里反复计算”放进同一递归系统。演示样例依次写入 recurrent memory $S_t$，查询随后被编码为 latent workspace $H_0$，同一参数化更新 $F_\theta$ 对潜状态迭代 $R$ 次，最后才解码答案。模型不在测试时更新参数，也不输出中间推理文本。作者将记忆、任务适配和求解拆成两个动态状态：$S_t$ 负责从上下文绑定当前任务，$H_r$ 负责针对查询执行计算。

论文的主结果来自一个 150M 参数配置：在 400 道公开 ARC-AGI-1 evaluation 任务上达到 29.5% pass@2，即 118/400 个任务在最多两个候选答案中至少一个完全正确；计算量约为每题 0.85 H200 GPU-s。按论文采用的 $3/H200-hour 折算，成本是 $0.00070/题。在作者于 2026-08-04 从 ARC Prize leaderboard 收集的分数—成本坐标中，这一工作点越过了此前报告的 Pareto frontier。这里的“新 SOTA”应准确理解为 ARC-AGI-1 的报告成本效率前沿，不是绝对准确率最高。

更有信息量的部分是行为分析。BDH-CQ 能在上下文中同时绑定 2–8 个新颜色映射，并对 96/96 个 held-out 输出一次答对；边界传播和多位置复制在测试范围内均为 48/48。可是，排序长度从 5 增至 8 时准确率迅速崩塌，深度 5 的嵌套关系也出现局部错误。给测试复杂度匹配的演示后，嵌套从 19/24 恢复到 24/24，长度 8 排序则从 0/24 只恢复到 13/24：前者主要是上下文外推不足，后者还包含输出构造瓶颈。组合也明显依赖操作和表示：旋转加搬移为 72/72，反射加搬移为 47/72，颜色交换加搬移为 0/72。

这篇论文同时存在显著的可验证性缺口。作者只公开了系统级接口：潜状态维度、精确更新规则、完整训练目标、内部训练配方、候选生成与排序细节都保持 proprietary；训练混合中还含 privately curated data。公开仓库主要用于生成 ARC 风格新任务，并不是 BDH-CQ 模型实现。因此，外部审计复现的是部署系统的黑盒分数，而非从权重和训练代码复现模型。成本也由硬件时间和假定租价计算，与其他榜单点可能采用 API 价格或硬件估算并不完全同口径。

BDH-CQ 最值得关注的结论不是“潜空间推理已经取代 CoT”，而是一个更窄也更扎实的命题：在 ARC 式视觉变换上，递归记忆可以从测试时示例绑定新规则，连续潜状态可以承载可扩展的迭代计算，并在极低成本下取得有竞争力的准确率；但它对规则组合、条件选择、未见参数、关系深度和输出构造仍有结构化边界。

1. 论文基本信息

核心链接：

• Hugging Face 详情页：https://huggingface.co/papers/2608.09888
• arXiv 摘要页：https://arxiv.org/abs/2608.09888
• arXiv PDF：https://arxiv.org/pdf/2608.09888
• arXiv HTML 全文：https://arxiv.org/html/2608.09888v1
• 官方项目介绍：https://pathway.com/blog/pathway-150m-model-breaks-arc-agi-1-cost-efficiency-frontier
• 官方任务生成仓库：https://github.com/pathwaycom/arc-task-gen

2. 背景与动机：为什么不把每一步思考都写成 token

2.1 CoT 同时承担任务说明和计算载体

Few-shot prompting 让模型从上下文示例理解“要做什么”，CoT 则提供“怎么算”的临时工作区。两者结合后，模型可以根据示例选择策略，再通过生成中间 token 展开计算。强化学习进一步让长推理、自检和回溯成为常见行为。

问题在于，语言不仅是对外沟通格式，也变成内部计算的强制总线。每个中间状态都要经历三个步骤：

1. 从高维 hidden state 投影到离散词表；
2. 按 token 串行采样并写入上下文；
3. 在下一步重新编码这些 token。

这会带来 token 成本、串行延迟和表示瓶颈。一个连续状态原本可以并行保留多个候选假设，语言化之后通常只能沿一条离散序列展开。另一方面，语言化推理具有可审计、可插入工具、可由人纠错等优势，所以真正的问题不是“语言还是潜状态”，而是哪些内部计算必须被语言化。

2.2 既有潜推理往往缺少测试时上下文学习

连续思维与 recurrent-depth 模型已经证明，共享模块可以在潜状态上迭代，从而用更多 test-time compute 提升某些推理任务。但另一类紧凑递归求解器在 ARC 上常采用 transductive pipeline：对当前评测任务的演示做数据增强、反向传播或任务 ID 适配，再对查询作答。

这与标准 in-context learning 有关键差别：

BDH-CQ 要补上的正是中间这一格：不靠评测任务的反向传播，仅凭演示在推理时绑定新变换，同时把求解计算留在连续状态中。

2.3 为什么选择 ARC

ARC 的输入和输出是小型彩色网格。每道题只给少量 input-output demonstrations，规则不会用文字说明，测试输出必须逐格完全匹配。它适合这篇论文的原因有三点：

• 少量示例定义新任务：直接测试上下文学习，而不是记忆固定标签；
• 输出严格可验证：避免开放式评分器把风格偏好混入结果；
• 错误可分解：可以研究对象、空间关系、颜色映射、计数、排序、嵌套和组合操作。

但 ARC 也把结论限制在离散视觉变换。它不能直接证明同一架构能处理开放式语言推理、数学证明、知识问答或工具调用。

3. 核心贡献

3.1 把上下文记忆和潜空间计算放进同一递归系统

论文把 demonstrations 对 recurrent memory 的更新，与 query 上的 latent reasoning 明确分开。前者回答“当前任务是什么”，后者回答“这个输入的答案是什么”。这种状态分工比把所有示例压缩成单一 task vector 更接近一个持续吸收关联、随后迭代求解的系统。

3.2 建立一个新的 ARC-AGI-1 成本效率工作点

150M 参数模型以 29.5% pass@2 和 $0.00070/题进入此前报告的 score-cost Pareto frontier 左上方。论文并未超过所有大模型的准确率，而是用很低的推理成本换得接近三成的严格任务成功率。

3.3 不只报告总分，还刻画规则学习的边界

作者使用 ConceptARC、opaque ID replication、复杂度阶梯、组合操作和规则一致性统计，区分了几类现象：

• 能否从上下文绑定一个新映射；
• 能否把规则外推到更长距离或更深关系；
• 能否稳定应用到同一任务的所有 test inputs；
• 能否把两个单独会做的操作组合起来；
• 失败发生在全局输出构造，还是少数局部关系判断。

3.4 用 post-freeze 生成任务补充公开基准

公开 ARC-AGI-1 无法完全排除训练暴露。论文在模型冻结后构造受控 ARC-like tasks，用 deterministic oracle 生成答案，并改变单一复杂度因素。这比只用公开总分更接近机制诊断。不过，生成任务本身也可能带有作者模式和生成器偏差，不能视为完全无偏的新基准。

4. 方法详解

4.1 BDH 架构来源

BDH 是 Dragon Hatchling 的缩写。此前工作把它描述为一种 post-Transformer sequence architecture，核心元素包括高维正激活、低秩通信、线性注意力和 recurrent associative state。其 BDH layer 用 ReLU-low-rank transformation 在大规模 feature space 中局部通信，同时维护持续状态。

BDH-CQ 是建立在这一架构族上的完整 ARC 系统。论文明确指出，最终系统不只有 backbone，还包括 input transformations、candidate construction、ranking 和 inference pipeline。因此，150M 是核心模型规模，不代表完整服务只做一次简单前向传播。

4.2 演示如何写入 recurrent memory

给定 $K$ 个演示对：

记忆按顺序更新：

这里的 $\theta$ 在推理时保持不变。后续输入读取的是已经积累前序输入—输出关联的 $S_t$。作者把它类比为 attention、fast weights 和 linear attention 所形成的上下文关联，但没有让显式 KV cache 随演示长度增长。

这不等于“没有上下文成本”。演示仍要被依次处理，状态也需要足够容量来保存关系；只是信息被压进固定形式的 recurrent state，而非保留全部显式 token key-value。论文没有公开状态尺寸、容量随示例数增长的退化曲线，也没有与相同任务上的 Transformer KV cache 做严格吞吐对照。

4.3 查询如何在潜空间迭代

演示写入 $S_K$ 后，查询 $x^\star$ 先形成初始 workspace：

随后执行 $R$ 轮共享更新：

最后只解码答案：

两个状态的角色不同：

这种设计允许通过增加 $R$ 分配更多 latent thinking effort，而不生成更多 CoT token。论文的 LOW、MEDIUM、HIGH 实验也表明，更高 effort 对应更高 pass@2，但成本同步上升。

4.4 训练任务和数据混合

一个 ARC task $T_i$ 包含 $K_i$ 个 demonstrations 和 $Q_i\ge1$ 个 test pairs。训练目标在前序示例已经写入 recurrent context 后预测精确网格。150M 模型使用 curated ARC-style mixture，公开来源包括：

• ARC-AGI-1 training split；
• RE-ARC；
• ConceptARC；
• ARC-Heavy；
• ARC-GEN100K；
• privately curated examples 与额外 augmentation。

作者声称 evaluation-task demonstration pairs 和 task identifiers 未参与训练，测试时也没有参数更新。可是，完整训练 recipe、私有数据内容、精确 objective 和内部实现没有公开。这意味着论文可以说明系统的外部计算结构，却不足以让第三方从头重建同一个模型。

5. 实验设计

5.1 公开 ARC-AGI-1 主评测

主评测有 400 道任务和 419 个 test pairs。pass@2 遵循 leaderboard 的 two-attempt convention：系统最多返回两个排序候选，只要其中一个与目标网格完全一致，该任务就算成功。论文同时报告 pass@1 与 pair-level accuracy，以免一个任务内部分 test inputs 正确被误读为完整规则掌握。

成本计算链路为：

论文取整为 $0.00070/题。它是基于实测硬件时间和假定 H200 每小时价格的 computed cost，不是公开 API 的实际账单。

5.2 ConceptARC 规则族分析

ConceptARC 包含 16 个 concept families，每类 10 道任务、每题 3 个 test inputs。论文以 strict-task accuracy 为主：三个 test outputs 必须全部正确；同时报告 480 个 test pairs 的独立准确率。

作者还做了 combined replication：把带语义的 task ID 换成 cryptographically opaque label，并把原本按 concept 分组的 batch 混合起来。这样可以检查系统是否借助名称或批上下文，而不是网格本身。

5.3 模型冻结后的受控任务

模型冻结后，作者用 deterministic oracle 创建任务阶梯，每题 3 个 demonstrations、2 个 held-out inputs，分别改变：

• 水平传播距离；
• motif 复制目标数；
• 需要排序的 bar 数量；
• 嵌套 containment depth；
• 上下文颜色映射的 binding 数；
• 反射、旋转、颜色交换与 relocation 的组合。

此外，附录还分析 400 道 distribution-calibrated generated tasks、1,131 道 mechanic-stratified tasks，以及条件规则选择、未见参数值、多 panel union 和 support chain 等 deterministic ladders。

6. 主要实验结果

6.1 ARC-AGI-1 主结果与成本边界

论文用 2026-08-04 的 ARC Prize leaderboard 数据绘制成本—分数图。在该快照和报告口径下，没有其他点能以相同或更低成本达到至少 29.5%。作者还与 GPT 5.6 Luna (Low) 的 34.2% 和榜单 $0.040/题 比较，得到约 57 倍成本差；考虑 2026-07-30 的公开 API 降价后，作者改称约 11 倍。由于基准点可能混合 API 价、硬件估算和服务定价，这些倍数适合说明数量级，不宜视为严格等价的硬件效率比。

两位来自 Bielik 与 NYU 的共同作者以 black-box protocol 重跑部署系统，复现 29.5% pass@2。他们没有模型权重，因此验证了服务输出和评测协议，不验证训练过程或实现细节。

6.2 ConceptARC：pair 正确不等于规则稳定

语义 ID 与 opaque ID 的 aggregate score 几乎不变，说明移除 task name 并混合 batch 后，没有出现定向下降。但这项实验同时改变了两个变量，不能分别量化 ID 和 batch composition 的影响，也不能排除训练集暴露。

pair pass@2 比 strict task pass@2 高 18.54 个百分点。具体看，13 道题三个 test inputs 全错，15 道只对一个，37 道对两个，95 道全对。也就是说，52/160 道题出现“部分测试输入正确、整题仍失败”。如果模型真正诱导出统一规则，理论上应迁移到同题所有输入；这种 gap 暴露了执行不一致或只恢复到更窄规则的情况。

概念族表现也不均匀。Opaque replication 中 ExtendToBoundary、FilledNotFilled 和 TopBottom2D 达到 9/10 pass@2，而 Copy、Order 只有 2/10。不过每类只有 10 题，9/10 与 2/10 的 Wilson intervals 仍有较宽重叠，因此这些数字更适合做 capability profile，而不是稳定排行榜。

6.3 外推边界：同是失败，原因不同

排序和嵌套的错误形态不同。长度 8 排序常连输出尺寸都构造错，属于全局 construction failure；深度 5 嵌套的 36 个输出尺寸全对，best candidate 平均 cell accuracy 超过 99.9%，更像局部关系判断出错。

作者对相同 test inputs 只改变 demonstrations 的复杂度覆盖：

Matched support 完全修复嵌套，却只部分修复排序。这个对照把两类边界分开：嵌套主要是不敢把示例关系深度外推到 5；长排序即使看过同长度示例，仍有执行和输出组装瓶颈。

6.4 上下文 binding 很强，操作 composition 并不均匀

每道颜色映射任务都在 demonstrations 中定义一个全新 permutation。Binding 数从 2 增至 8 时，BDH-CQ 对 96/96 个 held-out outputs 都在 rank one 完全正确。这是论文支持 recurrent contextual memory 的最干净证据之一：规则随任务变化，不能靠固定输出模板完成。

组合实验则给出相反的谨慎信号：

“会 A”与“会 B”不推出“会 A+B”。旋转能稳定组合，反射对 motif family 敏感，颜色交换在 shuffled layout 中连 atomic operation 都几乎无法获取，因此其组合失败不能全部归因于 composition。这里揭示的是 representation-dependent compositionality，而不是统一的操作代数。

6.5 Reasoning effort 的收益与成本

增加 latent iteration 带来单调的点估计提升，说明共享递归更新可以把 test-time compute 转为准确率。不过 LOW 到 HIGH 的成本只增加约 28%，准确率增加 8.5 个百分点；论文没有公开各 effort 对应的精确迭代次数，也没有误差区间或多次运行，因此无法进一步拟合稳定的 scaling law。

6.6 附录揭示的结构化失败

附录中，1,131 道 mechanic-stratified generated tasks 的整体 pass@2 为 29.8%，但不同 mechanics 从 flood fill 的 68.6% 到 gravity and stacking 的 2.9%，跨度 65.7 个百分点。这个排名高度受生成器如何实例化任务影响：手写 gravity tasks 可达 80%–100%，GPT-5.6 生成的 gravity-and-stacking 却只有 2.9%；公开与生成 mechanic 排名的 Spearman $\rho=0.300$，不可靠。

受控 ladder 更适合定位边界：

这些结果说明，困难不等于“网格更大”。公开集上 grid size 的 pseudo-$R^2$ 只有 0.072，calibrated generated set 上只有 0.010。真正显著的瓶颈来自 conditional selection、未见参数、panel segmentation/union 和 dependency depth。

错误输出也常保留大量结构：公开集失败中 89.7% 的输出尺寸正确，78.0% 的 palette 正确；在尺寸正确的错误里，cell error 中位数为 8.3%。但仅凭 final grid 无法判断模型是“规则正确但执行不完整”，还是“采用了一个更窄但执行完整的错误规则”。潜推理不输出 trace，使这种诊断天然受限。

7. 局限与批判性分析

7.1 核心模型不可复现

论文只给出 $S_t$、$H_r$ 的抽象接口，明确保留 dimensions、exact update rules 和 implementation details。完整训练 recipe、私有训练样本、候选构造、ranking 和 effort 对应迭代数也未公开。配套 arc-task-gen 仓库生成评测任务，不包含模型权重和训练代码。

因此，目前可复现层级是：

1. 可以读取论文与生成新的 ARC-style tasks；
2. 可以按 black-box protocol 复测部署服务输出；
3. 不能从公开资产重训或独立实现等价 BDH-CQ；
4. 不能审计内部潜状态是否真的承载论文所解释的 operator schema。

7.2 公开基准与训练暴露仍有混淆

训练使用 ARC-AGI-1 training、RE-ARC、ConceptARC、ARC-Heavy、ARC-GEN100K 和私有数据。作者声明 public evaluation pairs 未进入训练，但外部无法检查私有语料和 checkpoint selection。ConceptARC 本身又在训练 mixture 中，因此它只能做已知分布上的行为 profile，不能作为新颖性证据。

Post-freeze generated tasks 缓解了直接记忆问题，却引入生成器偏差。附录承认至少发现一个 target 与 demonstrations 规则冲突的任务，缺陷总体比例未知；LLM 对 mechanic label 的复核一致率只有 82.9%；合并生成池去重时删除 24%，部分 mechanics 的新形式很快枯竭。

7.3 成本前沿不是完全同口径系统比较

BDH-CQ 成本来自 H200 时间乘假定租价，榜单其他点可能来自 API price 或 hardware estimate。API 价格包含利润、批处理、服务开销和市场策略，GPU 租价也随区域、承诺期和利用率变化。论文的 11x 或 57x 比较适合说明当前 leaderboard 上的部署经济性，不等于同硬件、同实现和同吞吐下的纯算法 FLOPs 优势。

此外，完整 deployed system 包括候选生成与排序，主表的 $0.00070 与行为附录中的 STANDARD $0.00265246、MIN $0.00088399 不是同一数字。论文没有充分解释这些系统配置与主 Pareto 点的对应关系，读者不应把所有成本表格混为一个固定推理路径。

7.4 pass@2 不是每题两次独立采样

在 opaque ConceptARC replication 中，75 个只返回单候选的记录全部已经 rank-one 正确。因而 pass@2 只表示“最多两个 ranked candidates”，不代表每道题都有两次独立随机尝试。候选列表还会随 request context、调用时间或内部 search path 变化：两次 ConceptARC 执行只有 276/480 个完整有序候选列表一致，尽管 aggregate pass@2 完全相同。

7.5 统计与实验范围有限

• 只有一个 150M 主模型，没有公开多随机种子训练结果；
• ConceptARC 每类仅 10 题，家族排名置信区间很宽；
• 受控 ladder 每条件多为 24–40 个输出，且通常来自单一 puzzle family；
• Reasoning-effort 表没有置信区间和精确计算步骤；
• 任务范围只覆盖 ARC-like grids，没有语言、数学或开放式推理实证；
• 论文声称 1B–600B pretraining 观察到 Transformer-like scaling，并称架构易扩到 1T，但没有给出支持这些规模结论的完整曲线、设置和结果表。

7.6 无语言 trace 的效率收益伴随可审计性损失

BDH-CQ 不必生成中间文字，这是成本优势的一部分；同样也让失败归因更难。对于最终输出错误，外部观察者无法区分记忆绑定失败、潜迭代不足、候选解码失败或 ranking 失败。涉及高风险决策、工具调用或需要过程证明的场景，纯 latent reasoning 需要额外的 verifier、可解释 probe 或按需语言化机制。

8. 应用影响

8.1 适合结构化、可验证、低延迟的任务

论文最直接的应用不是通用聊天，而是具有以下特征的任务：

• 少量 demonstrations 定义一个临时 transformation；
• 输出有严格 verifier，可自动判断正确性；
• 内部计算可在固定结构的 latent state 中迭代；
• 服务对 token 成本和 latency 敏感；
• 不要求每一步都以自然语言向用户解释。

候选方向包括视觉网格变换、约束满足、程序化数据清洗、格式迁移、局部规划和某些规则密集型 edge inference。论文也提到 Sudoku、ARC-AGI-2，以及未来的语言与数学推理。

8.2 对推理系统设计的启发

BDH-CQ 提供了一个“记忆状态 + 计算状态”的系统接口。对工程设计而言，可以把 demonstrations 写入可更新 memory，把当前 query 的 iterative compute 放在独立 workspace，再只在需要沟通、验证或调用工具时解码 token。这比在所有步骤中强制语言化更灵活。

然而，论文尚未证明这种结构在真实长上下文中能稳定替代 KV cache。固定 recurrent state 可能压缩掉关键细节，顺序更新可能产生覆盖，且没有公开容量—示例数曲线。应用前需要测量：任务数增长时的记忆干扰、顺序敏感性、长上下文退化和跨域 transfer。

8.3 Demonstration 设计本身成为控制旋钮

Matched-support 实验显示，示例是否覆盖目标复杂度会直接改变成功率。生产系统不能只给“语义相同”的示例，还要覆盖关系深度、输出长度和参数范围。一个实用检索器应按操作、结构复杂度和输出形态选择 demonstrations，而不是只做表面相似度检索。

8.4 不宜立即外推到通用推理

ARC 的状态空间离散、答案短、verifier 完美，且不要求引用事实或调用外部工具。语言推理需要处理歧义、知识、长文本和可沟通证据；数学证明要求过程检查；智能体任务还要把 latent plan 映射为可逆的外部动作。BDH-CQ 为这些方向提供架构假设，但当前论文没有给出实证支持。

9. 相关工作

9.1 Chain-of-Thought 与语言 scratchpad

CoT prompting 和 scratchpad work 让模型把中间计算写成语言，优势是可读、可监督、可接入工具。BDH-CQ 的差异不是简单缩短 CoT，而是取消中间状态必须经过词表解码的约束，只保留最终答案解码。

9.2 Continuous thought

Coconut 把 Transformer 的上一轮 final hidden state 作为下一轮 input embedding，并通过 curriculum 逐步用 continuous thoughts 替代 verbal CoT。它证明 hidden-state feedback 可以保留多条候选路径。BDH-CQ 的重点不同：demonstrations 先更新 recurrent task memory，再由 structured multi-vector workspace 求解新视觉变换；论文更强调 in-context binding 和完整系统成本。

理论工作 Reasoning by Superposition 说明，连续状态可同时编码多个 graph search frontiers 并并行扩展；另一类形式化比较则指出，latent iteration 擅长利用 computation graph 的并行结构，而 stochastic token decoding 对近似计数和采样有天然优势。这些工作支持“连续状态带宽更高”的可能性，但不自动保证每类推理都更有效。

9.3 Abstract-CoT 与 latent communication

Abstract-CoT 使用学习出的保留词表，以更短的离散序列代替自然语言 rationale。它仍然按 token 串行解码，位于“自然语言 CoT”和“完全连续潜状态”之间。Multi-agent latent communication 则在不同智能体之间传 embeddings、hidden states 或 caches，解决的是通信带宽，而 BDH-CQ 研究单一系统内部的迭代推理。

9.4 Recurrent-depth 与 looped models

Recurrent-depth language model 和 Looped Transformer 反复应用共享 block，用参数共享换取有效深度，并允许 test-time compute scaling。它们主要研究模型深度、参数效率和计算表达能力；BDH-CQ 进一步要求同一递归架构从 demonstrations 绑定一个测试时新任务。

9.5 HRM、TRM 与任务特定递归求解器

HRM 和 TRM 在 Sudoku、maze 和 ARC 上递归更新潜状态与候选答案。但其 ARC pipeline 会对评测任务 demonstrations 做 augmentation、optimization，并使用 task identity 或投票。BDH-CQ 的定位是无需 puzzle-specific backward pass：任务信息只通过 forward-context 写入 memory。代价是 BDH-CQ 的完整实现未公开，而 HRM/TRM 相关路线至少更容易检查其 task-specific adaptation 流程。

9.6 ARC 与 ConceptARC

ARC 关注 skill-acquisition efficiency；ConceptARC 用 16 个概念族组织空间与语义操作，使 aggregate score 可以展开为 capability profile。BDH-CQ 进一步用 strict-task 与 pair accuracy 的差、opaque identifiers 和 deterministic ladders 分析规则是否被稳定应用，而不是只看单一答案命中。

10. 结论

BDH-CQ 展示了一条不同于长 CoT 的推理路线：演示样例在前向过程中更新 recurrent memory，查询在连续 latent workspace 中反复计算，最终只解码答案。它用 150M 参数在公开 ARC-AGI-1 上取得 29.5% pass@2，并以论文计算口径达到 $0.00070/题，建立了一个很有吸引力的成本效率点。

论文最强的证据链来自受控行为实验，而不只是排行榜：

1. 全新颜色映射可在上下文中稳定绑定；
2. 边界传播和复制能在测试范围内外推；
3. 长排序和深嵌套出现不同类型的失败；
4. 匹配复杂度的 demonstrations 能修复外推问题，却不能完全解决执行瓶颈；
5. 操作组合取决于具体算子和输入表示；
6. 条件规则、未见参数、panel union 和依赖深度仍是显著短板。

真正需要保持克制的是复现和外推。BDH-CQ 的模型、训练配方和核心更新规则仍是 proprietary，公开资产不足以从头验证架构；成本比较也混合了不同计价口径。当前结果证明的是 ARC-like in-context latent reasoning 的可行性和成本潜力，尚未证明一种可复现、跨语言与智能体任务的通用替代方案。

对后续研究而言，最关键的三项工作是：公开可训练的最小实现，给出同硬件下与 Transformer/CoT 的端到端对照，以及在语言、数学、工具调用和 ARC-AGI-2 上验证同一“memory + latent workspace”接口。只有这三步成立，BDH-CQ 才能从一个亮眼的封闭系统结果，发展成可被研究社区检验和扩展的推理范式。

参考资料

1. Hugging Face Papers，BDH-CQ：https://huggingface.co/papers/2608.09888
2. arXiv 摘要页，arXiv:2608.09888v1：https://arxiv.org/abs/2608.09888v1
3. arXiv HTML 全文：https://arxiv.org/html/2608.09888v1
4. arXiv PDF：https://arxiv.org/pdf/2608.09888v1
5. Pathway 官方项目介绍：https://pathway.com/blog/pathway-150m-model-breaks-arc-agi-1-cost-efficiency-frontier
6. 官方 ARC task generator：https://github.com/pathwaycom/arc-task-gen
7. ARC Prize Leaderboard：https://arcprize.org/leaderboard
8. ConceptARC：https://arxiv.org/abs/2211.11517
9. Coconut，Training Large Language Models to Reason in a Continuous Latent Space：https://arxiv.org/abs/2412.06769
10. The Dragon Hatchling：https://arxiv.org/abs/2509.26507