مدلی با ۷٬۷۰۰ پارامتر، در ۴۲ میلی ثانیه؛ وقتی یک ایده دهه هشتادی از مدل های استدلالی امروز جلو می زند

در ماه های اخیر، «لوپ مدل ها» — ترنسفورمرهایی که خروجی خودشان را بارها و بارها بازبینی می کنند تا به جواب برسند — یکی از داغ ترین مسیرها برای ساختن هوش مصنوعی استدلال گر شده اند. اما مقاله ای تازه نشان می دهد شاید راه سریع تر و ارزان تری هم باشد؛ راهی که از یک ایده قدیمی دهه ۱۹۸۰ می آید.
در پیش چاپی که ۱۲ نوامبر ۲۰۲۶ منتشر شد، پژوهشگران شرکت Prefrontal به سرپرستی بنجامین هوور، نسخه ای آموخته شده از «انرژی» هاپفیلد و تانک را معرفی کردند که نامش را CRAM گذاشته اند — حافظه انجمنی فشرده برای استدلال. به جای اینکه مدل بارها روی خروجی خودش حلقه بزند، CRAM روی یک «منظر انرژی» سرازیری می رود تا به جواب درست برسد؛ مثل توپی که به پایین ترین نقطه دره می غلتد و همان جا می ایستد. این روش چند مزیت ذاتی دارد: خودش می داند کی متوقف شود، مقدار محاسبه اش با سختی مسئله تنظیم می شود، آموزشش سریع است چون نیازی به مشتق گیری از حل کننده ندارد، و وزن هایش قابل تفسیرند — یعنی قیدهای پازل را واقعا یاد می گیرند.
عددها خیره کننده اند: CRAM پس از فقط ۴۲ میلی ثانیه آموزش روی یک GPU، ۹۹٫۹۹۶ درصد از پازل های سودوکو-اکستریم را حل کرد و پس از ۱۳۲ میلی ثانیه، ۱۰۰ درصد از میزها را — یعنی حداقل هزار برابر سریع تر از آموزش لوپ مدل ها در همان مسائل. در استنتاج هم با همان دقت بالاترین لوپ مدل ها، حداقل ۲۸۲ برابر محاسبه کمتر مصرف کرد. و همه این ها با فقط ۷٬۷۰۰ پارامتر غیرصفر در سودوکو و ۱۸ پارامتر در میز، در برابر ۵ تا ۲۷ میلیون پارامتر در ترنسفورمرهای پایه.
اما به نظرم پیام دوم مقاله شاید مهم تر از رکورد باشد: خود نویسندگان هشدار می دهند که سودوکو و میز، بنچمارک های «به راحتی قابل حل» اند؛ این پازل ها ذاتا مدل های گرافی دوتایی اند و نمایش انرژی دقیق و بسته دارند، پس یک مدل انرژی کوچک تقریبا به طور ساختاری آن ها را حل می کند. اگر مدلی ۷٬۷۰۰ پارامتری از دهه ۸۰ بنچمارک شما را شکست می دهد، آن بنچمارک دارد چیزی را اندازه می گیرد که فکرش را نمی کنید. این درسی است برای همه ما: در تب استدلال و «مدل های متفکر»، اول باید پرسید معیار سنجشمان واقعا چه چیزی را می سنجد؛ وگرنه رکوردها فقط سراب اند. البته باید صادق بود: CRAM هنوز در استدلال زبانی باز، مسئله های ریاضی کلامی یا کدنویسی آزموده نشده و اعدادش، هرچند چشمگیر، روی دو پازل اند — و نویسندگان خودشان بر همین محدودیت تاکید می کنند. اما جهت امیدوارکننده است: انرژی ها شاید مسیری برای آموزش استدلال از داده باشند، ارزان تر، سریع تر و شفاف تر.
منبع: Hoover, B., Blayney, H. & Whittington, J. C. R. (2026). Classical Energies Learn to Reason 1,000x Faster than Looped Models. arXiv:2611.17309 (submitted 12 November 2026). DOI: 10.48550/arXiv.2611.17309 — https://arxiv.org/abs/2611.17309