BDH-CQ remet en question le raisonnement IA token par token grâce à une mémoire latente récurrente

BDH-CQ a atteint 29,5 % de pass@2 sur ARC-AGI-1 avec 150 millions de paramètres, sans jamais verbaliser son raisonnement intermédiaire. Des chercheurs de Pathway ont présenté le système le 10 août 2026 dans une prépublication combinant mémoire récurrente et calcul latent itératif. Le résultat remet en cause une hypothèse courante des modèles de raisonnement modernes : les problèmes plus difficiles exigent des flux plus longs de tokens de raisonnement générés.

Le score annoncé ne fait pas de BDH-CQ le solveur ARC le plus précis. Son importance tient à la manière dont le modèle apprend chaque tâche de test et au peu de calcul que les auteurs déclarent utiliser. Les démonstrations mettent à jour une mémoire interne lors de l’inférence, tandis que les paramètres fixes du modèle traitent la requête à plusieurs reprises dans un espace de travail continu.

Cette approche oppose BDH-CQ au raisonnement token par token, et non à une entreprise ou à un modèle phare. Les systèmes de chaîne de pensée transforment le calcul intermédiaire en langage avant de relire ces tokens. BDH-CQ conserve ce calcul en interne, évitant potentiellement la latence et le surcoût de décodage associés aux longues traces de raisonnement.

Les éléments disponibles restent plus limités que ne le suggère le titre. L’évaluation porte sur des transformations de grilles visuelles, et non sur le langage ouvert, la programmation ou la recherche scientifique. D’importants détails architecturaux restent également propriétaires, limitant la reproduction et l’examen indépendants.

BDH-CQ apprend une tâche sans mettre à jour ses paramètres

BDH-CQ transforme les démonstrations en une mémoire récurrente temporaire, puis utilise cette mémoire pour résoudre une nouvelle requête.

L’équipe menée par Pathway a présenté BDH-CQ dans une prépublication d’août. Parmi ses auteurs figurent des chercheurs de Pathway, Bielik AI et New York University. L’article décrit BDH-CQ comme une extension de la famille architecturale Dragon Hatchling.

Chaque tâche d’évaluation fournit plusieurs exemples entrée-sortie et une nouvelle entrée nécessitant une réponse. BDH-CQ traite ces démonstrations séquentiellement. Chaque exemple modifie un état récurrent qui transporte le contexte vers les entrées suivantes.

Le modèle encode ensuite la requête avec cet état accumulé. Il transforme à plusieurs reprises un espace de travail latent de grande dimension, c’est-à-dire une représentation interne continue utilisée pour le calcul. Seule la réponse candidate finale est décodée.

Aucune mise à jour par gradient n’a lieu pendant ce processus. Les paramètres entraînés du modèle restent fixes, tandis que son état récurrent évolue avec les éléments fournis. Cette distinction sépare la mémoire au moment de l’inférence de l’ajustement fin classique.

Les chercheurs indiquent également que les identifiants des tâches d’évaluation et les paires de démonstration d’évaluation ont été exclus de l’entraînement. Leur modèle a plutôt été entraîné sur un mélange de sources de type ARC et d’exemples sélectionnés en privé. Les sources publiques incluaient les données d’entraînement ARC-AGI-1, RE-ARC, ConceptARC, ARC-Heavy et ARC-GEN100K.

Cette configuration est importante, car de nombreux systèmes ARC compacts s’adaptent directement à chaque énigme d’évaluation. Ils optimisent des composants du modèle, utilisent des identités propres à chaque énigme ou votent entre des versions augmentées. BDH-CQ affirme déduire la transformation à partir des seules démonstrations.

Le banc d’essai était la partition d’évaluation publique ARC-AGI-1. Les tâches ARC utilisent de petites grilles colorées pour exprimer des transformations impliquant des objets, la symétrie, le comptage, la topologie et les relations spatiales. Un solveur doit déduire une règle non formulée à partir de quelques exemples.

La partition publique contient 400 tâches. BDH-CQ en a résolu 97 avec son premier candidat classé et 118 lorsque l’un ou l’autre de deux candidats pouvait être retenu. Ces résultats correspondent à 24,25 % de pass@1 et 29,5 % de pass@2.

Sur 419 paires de test individuelles, il a atteint 25,78 % de pass@1 et 31,03 % de pass@2. La précision par tâche est plus stricte, car chaque sortie de test requise doit être correcte. Une seule grille erronée rend la tâche entière infructueuse.

Les chercheurs ont calculé l’inférence à partir du temps GPU H200 mesuré. Leur configuration par défaut utilisait environ 0,85 seconde-GPU H200 par tâche. Ils soutiennent que ce résultat dépasse la frontière coût-précision précédemment rapportée pour ARC-AGI-1.

Cette affirmation d’efficacité constitue la valeur informationnelle centrale de l’événement. BDH-CQ ne l’emporte pas en produisant le score global le plus élevé. Il revendique un nouveau point de fonctionnement où des performances significatives nécessitent exceptionnellement peu de calcul d’inférence.

L’article rapporte aussi un audit en boîte noire mené par des coauteurs affiliés à Bielik AI et New York University. Ils ont reproduit le score de 29,5 % sans accès aux poids du modèle. Cela offre une vérification utile du service déployé, sans toutefois équivaloir à une réplication par des tiers indépendants.

Plus important encore, le résultat réunit mémoire, adaptation et inférence dans un seul processus récurrent. Le système n’a pas besoin d’un optimiseur distinct pour chaque énigme. Il évite également de transformer chaque état intermédiaire en phrase.

Pourquoi le raisonnement token par token est sous pression

BDH-CQ vise le format de calcul du raisonnement par chaîne de pensée, et pas seulement sa précision sur les benchmarks.

Les grands modèles de raisonnement allouent couramment davantage de calcul en générant davantage de tokens. Ces tokens peuvent documenter des déductions partielles, tester des alternatives et corriger des erreurs antérieures. Ils contraignent aussi le travail interne à passer par un vocabulaire discret.

Chaque token de raisonnement généré exige une nouvelle étape de décodage autorégressif. Le modèle doit projeter son état caché en probabilités sur le vocabulaire, sélectionner un token, puis consommer à nouveau ce token. Les traces plus longues augmentent donc le calcul et la latence.

Le raisonnement verbal reste utile parce que les humains peuvent l’inspecter. Il peut également prendre en charge les appels d’outils, la collaboration et la vérification explicite. Toutefois, le langage devient une restriction de bande passante lorsque l’état intermédiaire n’a pas besoin d’être interprété par un humain.

BDH-CQ teste un autre mécanisme d’allocation. Au lieu d’allonger une transcription visible, il ajoute des transformations récurrentes au sein d’un état continu. Un état interne peut encoder plusieurs possibilités partielles sans les expliciter séparément.

Cette différence rappelle le travail parallèle face au travail sériel. Une trace verbale sélectionne normalement un token à chaque position. Un état de grande dimension peut préserver plusieurs caractéristiques actives et les transformer ensemble.

L’idée n’est pas propre à BDH-CQ. Les recherches Coconut de Meta réinjectent des états cachés continus dans un Transformer, permettant le raisonnement sans décoder chaque étape intermédiaire. Les modèles à profondeur récurrente réutilisent de même des blocs de calcul sur plusieurs itérations internes.

BDH-CQ ajoute un élément distinct : les démonstrations modifient continuellement la mémoire récurrente de la tâche. La requête utilise ensuite cette mémoire lors de l’itération latente. Le système relie ainsi l’adaptation en contexte et le raisonnement non verbal au sein d’une même architecture.

Cette connexion met sous pression deux voies établies. La première est la chaîne de pensée classique, où les exemples spécifient la tâche et les tokens fournissent l’espace de travail. La seconde est l’optimisation spécifique à la tâche, où un solveur compact s’adapte séparément à chaque énigme.

Le système de Pathway affirme préserver la flexibilité de la première voie sans sa narration obligatoire. Il affirme également préserver le calcul compact de la seconde sans mises à jour de paramètres propres à chaque énigme.

Le contraste devient plus net sur ARC. Les systèmes Hierarchical Reasoning Model et Tiny Recursive Model utilisent un calcul latent itératif, mais leurs procédures ARC incluent une adaptation transductive. Les démonstrations d’évaluation participent à une optimisation associée à chaque énigme.

Les auteurs de BDH-CQ soutiennent qu’une tâche jusque-là inconnue peut plutôt être introduite par le contexte. Ils comparent cette organisation à une personne qui apprend une règle à partir d’exemples, puis l’applique sans réécrire l’ensemble de ses mécanismes de raisonnement.

Cette analogie doit rester limitée. Les mises à jour d’états récurrents sont des opérations mathématiques, et non une preuve de compréhension semblable à celle d’un humain. L’article qualifie la conception d’inspirée du cerveau, tout en évitant explicitement de revendiquer une imitation biologique.

L’architecture sous-jacente Dragon Hatchling utilise des activations positives clairsemées, une communication de faible rang et un état associatif récurrent. Son dépôt d’architecture public décrit des neurones artificiels interagissant localement et une mémoire de travail de type hebbien.

La mémoire hebbienne renforce les associations entre caractéristiques coactives. Dans BDH-CQ, l’enjeu pratique est que le contexte peut modifier un état interne persistant. Cet état n’a pas besoin de croître sous la forme d’une liste explicite de chaque clé et valeur antérieures.

Cette propriété pourrait à terme compter au-delà des énigmes visuelles. Les longues traces de raisonnement consomment de la mémoire, du temps de décodeur et de la bande passante de communication. Un état récurrent offre une autre manière de préserver l’information tout en maîtrisant ces coûts.

Toutefois, retirer le langage retire aussi une surface d’inspection pratique. Une trajectoire cachée ne peut pas être considérée comme fiable simplement parce qu’elle est efficace. Les développeurs ont besoin d’autres méthodes pour vérifier si le processus interne est stable, biaisé ou vulnérable à la manipulation.

La pression exercée sur le raisonnement fondé sur les tokens est donc conditionnelle. BDH-CQ montre que le texte visible n’est pas le seul espace de travail computationnel possible. Il ne montre pas que le calcul caché peut remplacer le langage pour toutes les tâches.

La discussion Horizon MachineLearning met en lumière un mécanisme plus profond

Le mécanisme important n’est pas seulement le raisonnement silencieux ; c’est la séparation entre la mémoire contextuelle et l’espace de travail de raisonnement actif.

Une discussion MachineLearning largement partagée a contribué à faire connaître l’article, mais les affirmations techniques sous-jacentes proviennent de la recherche elle-même. BDH-CQ maintient deux structures internes aux rôles distincts.

L’état contextuel récurrent évolue lorsque le modèle ingère les démonstrations. Il stocke les associations pertinentes pour la tâche nouvellement présentée. L’espace de travail de raisonnement latent débute après l’entrée de ces exemples dans la mémoire.

Lors de la résolution de la requête, l’espace de travail évolue au fil de plusieurs étapes de raisonnement. L’état contextuel reste disponible pendant ces transformations. Un décodeur convertit l’espace de travail final en un ou deux candidats de grille classés.

Cette division évite qu’un seul vecteur porte toutes les responsabilités. La mémoire répond à ce qu’ont établi les démonstrations. L’espace de travail traite le calcul qui reste nécessaire pour la requête.

Les auteurs décrivent la mise à jour de la mémoire à un niveau général. Un nouvel état dépend de l’état précédent et de la démonstration suivante. Les paramètres entraînés régissant cette mise à jour ne changent pas.

Ils décrivent l’espace de travail de façon similaire. Un encodeur l’initialise à partir de la requête et du contexte accumulé. Une fonction récurrente le met à jour à plusieurs reprises avant qu’un décodeur ne crée la réponse.

Cette description explique le concept, mais pas l’implémentation complète. L’article indique que les dimensions exactes, les règles de mise à jour et les détails internes du système restent propriétaires. Il ne divulgue pas non plus la recette complète d’entraînement.

Le produit évalué comprend davantage que l’architecture neuronale centrale. Il utilise des transformations d’entrée, la construction de candidats, le classement et un pipeline d’inférence. Ces composants périphériques peuvent influencer à la fois la précision et le calcul.

Même avec cette limite, les expériences contrôlées offrent des indices sur ce que la mémoire récurrente retient réellement. Un test a créé une nouvelle correspondance de couleurs au sein de chaque tâche. Les démonstrations définissaient comment plusieurs couleurs devaient changer.

BDH-CQ a résolu les 96 sorties retenues au premier rang lorsque le nombre de liaisons simultanées passait de deux à huit. Le résultat suggère que la mémoire contextuelle peut stocker et appliquer des correspondances denses propres à une tâche.

D’autres tests ont fait varier l’échelle d’une opération démontrée. La propagation de frontière est restée correcte sur les 48 sorties retenues, pour des distances allant de deux à huit. La copie de motifs est également restée correcte sur les 48 sorties à mesure que le nombre de cibles augmentait.

Il s’agit d’exemples favorables, car l’opération sous-jacente reste locale et régulière. Le modèle peut étendre une action apprise sans reconstruire un ordre de sortie complexe.

L’ordonnancement a produit une courbe différente. Les performances sont restées proches de la saturation jusqu’à cinq objets, puis ont diminué pour les séquences plus longues. Avec huit objets, BDH-CQ n’a résolu qu’une seule des 24 sorties retenues sous pass@2.

Le schéma d’erreur était large plutôt que local. Seules trois sorties à cette longueur avaient même les bonnes dimensions. Cela suggère un goulot d’étranglement lors de l’exécution de la construction du résultat ordonné, et pas seulement une incertitude sur la règle.

L’inclusion imbriquée a échoué d’une autre manière. Les performances sont restées solides jusqu’à une profondeur de quatre, puis ont décliné à la profondeur cinq. Ces sorties ont généralement conservé les bonnes dimensions et dépassé 99,9 % de précision cellulaire moyenne pour leurs meilleurs candidats.

Une seule erreur relationnelle entraînait souvent l’échec. Ce schéma suggère que le modèle a presque achevé la transformation, mais a perdu le fil d’une décision d’inclusion. L’évaluation par correspondance exacte a, à juste titre, compté ces sorties comme erronées.

L’ajout d’une démonstration à la complexité cible a modifié les résultats. L’imbrication de profondeur cinq est passée de 19 sorties correctes sur 24 à 24 sur 24. L’ordonnancement de longueur huit est passé de zéro à 13 sur 24.

Cette intervention renforce l’hypothèse de l’apprentissage en contexte. Des entrées de test identiques octet pour octet ont produit des résultats différents lorsque les démonstrations couvraient la complexité requise. Les exemples ont modifié le comportement effectif du modèle sans mise à jour des paramètres.

Ces mêmes éléments définissent aussi une limite. BDH-CQ n’extrapole pas de manière fiable toutes les règles au-delà de la complexité démontrée. Sa mémoire peut associer une transformation, tandis que son espace de travail peine encore à l’exécuter à plus grande échelle.

L’effort de raisonnement a produit un autre compromis prévisible. Le réglage élevé a atteint 29,5 % de pass@2, contre 27 % pour le réglage moyen. L’effort faible a atteint 21 %, les auteurs signalant une quantité de calcul progressivement moindre.

Cette relation ressemble à la mise à l’échelle du calcul au moment du test dans d’autres systèmes de raisonnement. Davantage d’étapes récurrentes améliorent la probabilité d’une réponse exacte. La différence est que cet effort supplémentaire se produit au sein d’états continus plutôt que dans une transcription qui s’allonge.

Ce mécanisme fait de BDH-CQ davantage qu’une expérience de chaîne de pensée compressée. Il crée une mémoire de tâche à partir de démonstrations, sépare cette mémoire du calcul de requête et module l’effort par la profondeur récurrente.

Les succès sur le benchmark révèlent des modes d’échec clairs

Les éléments les plus convaincants en faveur de BDH-CQ montrent également que l’apprentissage contextuel ne garantit pas une exécution cohérente des règles.

L’article évalue BDH-CQ sur ConceptARC, qui organise les tâches visuelles en 16 familles de concepts. Le modèle a atteint 59,38 % de réussite stricte des tâches en pass@2 avec des identifiants sémantiques. Il a atteint 60 % après que les identifiants sont devenus opaques et que les groupes de concepts ont été mélangés.

Ces scores proches réduisent une préoccupation évidente. Le modèle ne semblait pas dépendre de noms de tâches significatifs ni de lots regroupés par concept. Les deux versions ont produit 374 résultats corrects sur 480 paires de test individuelles.

Toutefois, la stabilité agrégée ne signifiait pas un comportement identique. Seules 276 des 480 listes complètes de candidats classés correspondaient entre les deux exécutions. Le contexte de la requête ou le comportement de recherche interne a modifié de nombreuses sorties sans déplacer le score global.

Plus important encore, la précision au niveau des paires de test a atteint 77,92 %, tandis que la précision stricte au niveau des tâches est restée à 59,38 %. Cet écart de 18,54 points montre qu’une réponse correcte pour une entrée ne se transférait souvent pas à toutes les entrées.

Cinquante-deux des 160 tâches ConceptARC comportaient une ou deux entrées de test correctes sans résoudre les trois. Dans une conception stricte de l’induction de règles, ces succès partiels ne démontrent pas une application cohérente de la règle inférée.

Les performances ont également fortement varié selon le concept. Le système a résolu neuf tâches sur dix impliquant des distinctions entre éléments remplis et non remplis. Il a aussi résolu neuf tâches sur dix dans la famille TopBottom2D.

Copy et Order n’ont chacun atteint que deux tâches sur dix. Chaque famille ne contient que dix tâches, de sorte que ces décomptes ne permettent pas d’établir un classement stable. Ils révèlent néanmoins les domaines où le système actuel mérite des tests de résistance plus poussés.

La composition a révélé une autre faiblesse majeure. BDH-CQ a résolu séparément la rotation et le déplacement, puis leur combinaison sur les 72 sorties retenues. La réflexion combinée au déplacement a réussi sur 47 sorties sur 72.

L’échange de couleurs a été nettement moins performant. Il n’a réussi que sur 26 sorties sur 72 comme opération isolée dans l’ensemble des familles de motifs. Combiné au déplacement, il a échoué sur les 72.

La disposition comptait beaucoup. Le modèle a appris plus facilement l’échange de couleurs lorsque les motifs partageaient une organisation fixe. Les performances ont presque disparu dans deux familles mélangées aléatoirement, avant même que la composition n’entre en jeu.

Ce résultat invite à la prudence avant de décrire le système comme apprenant des opérateurs abstraits sans réserve. Il associe parfois une transformation réutilisable. Dans d’autres cas, la réussite dépend de régularités représentationnelles présentes dans les démonstrations.

ARC lui-même limite également les conclusions possibles. Ses grilles excluent le rappel factuel, l’ambiguïté du langage naturel, le contexte social, l’utilisation d’outils et la planification de longue durée. Une forte induction visuelle ne démontre pas une compétence générale de raisonnement.

Le titre de l’article met l’accent sur l’apprentissage en contexte avec un raisonnement latent récurrent. Il ne prétend pas que le système de 150 millions de paramètres puisse remplacer un modèle de langage généraliste. Les perspectives citent le raisonnement linguistique et mathématique comme extensions futures.

La reproductibilité reste la préoccupation majeure. Le système complet évalué n’est pas disponible, tandis que les mises à jour exactes de la mémoire et les détails de l’espace de travail latent restent non divulgués. Les chercheurs ne peuvent pas encore reproduire le résultat phare à partir du dépôt public Dragon Hatchling.

L’audit rapporté fournit une certaine assurance que le service a renvoyé le score annoncé. Toutefois, ses évaluateurs sont coauteurs de l’article et ne disposaient pas des poids du modèle. Un test plus solide ferait intervenir des évaluateurs indépendants exécutant un artefact figé.

La contamination des données d’entraînement exige également une formulation prudente. Selon l’article, les chercheurs ont exclu les démonstrations d’évaluation publiques et les identifiants de tâches. Leurs données privées et le processus complet de sélection des points de contrôle restent indisponibles à l’inspection.

L’expérience avec des identifiants opaques écarte un raccourci étroit côté requête. Elle ne prouve pas qu’aucun motif apparenté n’a été présent dans l’entraînement. L’article reconnaît lui-même que ConceptARC n’est pas un benchmark récent.

Les comparaisons de coûts exigent aussi de la prudence. L’estimation de BDH-CQ provient d’un temps matériel mesuré selon un tarif supposé pour l’accélérateur. D’autres entrées du classement peuvent refléter des prix de fournisseurs ou des estimations matérielles distinctes.

Cela signifie que les valeurs représentées ne mesurent pas toujours la même grandeur économique. Le court temps d’exécution mesuré du modèle reste notable, mais l’ampleur exacte de son avantage dépend de la méthodologie de comparaison.

Le raisonnement silencieux introduit un compromis en matière de gouvernance. Les utilisateurs ne peuvent pas inspecter le chemin intermédiaire, car il n’existe pas de chemin linguistique. La réponse finale peut être vérifiée sur ARC, où chaque cellule possède une cible exacte.

De nombreuses applications réelles ne disposent pas de cette vérification. Un résumé médical, une prévision commerciale ou une synthèse de recherche ont rarement un oracle immédiat. Un raisonnement caché nécessiterait un étalonnage de la confiance, des tests de cohérence et des vérifications par des preuves externes.

Ce problème n’invalide pas le calcul latent. Les chaînes lisibles par l’humain peuvent elles aussi contenir des explications plausibles générées après la décision sous-jacente. Un raisonnement visible n’est pas nécessairement fidèle.

L’exigence pratique est une meilleure évaluation. Un système latent a besoin de sondes comportementales qui testent la mémoire, l’extrapolation, la composition, la stabilité et la récupération après échec. Les expériences contrôlées de BDH-CQ sont utiles précisément parce qu’elles exposent ces limites.

Le raisonnement latent récurrent redéfinit le débat sur les coûts

BDH-CQ déplace l’attention de la seule taille des modèles vers la structure de l’inférence et de l’adaptation.

Un modèle de 150 millions de paramètres est petit face aux systèmes de langage de pointe. Pourtant, le nombre de paramètres n’explique pas à lui seul son efficacité rapportée. L’architecture évite également le décodage linguistique répété et l’optimisation spécifique à chaque énigme.

Cela crée trois budgets de calcul distincts. L’entraînement construit la capacité générale à traiter des tâches de type ARC. Les démonstrations mettent à jour une mémoire récurrente temporaire. Les itérations latentes allouent un effort de raisonnement propre à chaque requête.

Le maintien de ces budgets séparés peut donner aux développeurs un contrôle plus fin. Un système pourrait traiter davantage de démonstrations sans modifier ses paramètres. Il pourrait également exécuter davantage d’itérations internes uniquement lorsqu’une requête en a besoin.

Les modèles de langage actuels combinent souvent ces fonctions dans un seul flux de tokens. Les prompts portent les démonstrations, l’attention préserve le contexte et les tokens générés développent le raisonnement. L’interface qui en résulte est simple, mais sérielle sur le plan computationnel.

BDH-CQ propose une division plus structurée. La mémoire enregistre les éléments de contexte, tandis que la profondeur récurrente effectue la recherche active. Le décodeur n’apparaît que lorsque le système a besoin d’une réponse externe.

Cette conception rappelle la mémoire à poids rapides, où les activations créent des associations temporaires au sein d’un réseau fixe. Elle se rattache aussi à l’attention linéaire, qui peut résumer les informations passées dans un état récurrent.

La question concurrentielle plus profonde concerne l’adaptation. Les solveurs récursifs spécifiques aux tâches peuvent bien fonctionner après optimisation sur les exemples de chaque énigme. Les modèles de langage généralistes s’adaptent par le contexte, mais dépensent souvent de nombreux tokens à raisonner.

BDH-CQ vise une adaptation contextuelle sans décodage verbeux ni optimisation par rétropropagation. Cette combinaison constitue le principal concurrent des méthodes établies, même si sa précision absolue reste inférieure à celle de systèmes plus performants.

Les développeurs ne devraient pas interpréter ce résultat comme la preuve que les tokens sont obsolètes. Le langage reste une interface efficace entre les modèles, les utilisateurs, les outils et les auditeurs. Il permet aussi à un système de communiquer son incertitude et de demander des informations manquantes.

Une architecture future pourrait combiner les deux modes. La récurrence latente pourrait prendre en charge le calcul interne à haut débit. Un décodage sélectif pourrait révéler des points de contrôle lorsque la vérification, la collaboration ou l’utilisation d’outils requiert du langage.

L’article sur BDH-CQ pointe vers cet hybride. Il note que les états latents et le langage peuvent remplir des fonctions différentes. Le texte intermédiaire n’a pas besoin de disparaître partout simplement parce qu’il est inutile à chaque étape.

L’approche pourrait aussi modifier la conception de la mémoire. Les modèles conventionnels à long contexte conservent des historiques de tokens croissants ou des caches compressés. La mémoire récurrente met plutôt à jour un état de taille fixe à mesure que de nouveaux éléments arrivent.

La mémoire de taille fixe introduit son propre compromis. La compression peut éliminer des informations, fusionner des associations ou écraser des éléments antérieurs. Le test d’association des couleurs présenté dans l’article démontre une capacité dans une plage contrôlée, et non une rétention illimitée.

L’évaluation à long horizon devrait donc tester les interférences. Les chercheurs doivent savoir ce qui se produit lorsque les démonstrations entrent en conflit, arrivent dans des ordres différents ou incluent des exemples non pertinents. Ils devraient également mesurer la vitesse à laquelle les anciennes associations s’estompent.

Les tests de sécurité comptent pour la même raison. Si les entrées d’inférence modifient l’état récurrent, des démonstrations malveillantes pourraient orienter les réponses ultérieures. Une attaque contre la mémoire latente peut être plus difficile à diagnostiquer, car aucun brouillon textuel ne consigne la transition.

Les usages en entreprise exigeraient des frontières de réinitialisation et une isolation de la mémoire. Un état de tâche temporaire ne devrait pas fuir entre utilisateurs ou tâches sans rapport. Les systèmes ont également besoin de moyens d’identifier un contexte corrompu avant qu’il n’affecte les requêtes en aval.

Pour le travail de connaissance, l’idée sous-jacente reste séduisante. Les personnes verbalisent rarement chaque étape interne lorsqu’elles lisent des notes, comparent des éléments de preuve et tirent une conclusion. Elles élaborent un modèle de travail, le révisent, puis communiquent une sélection de leur raisonnement.

Les logiciels qui prennent déjà en charge le knowledge blending considèrent la collecte de contexte et la génération de réponses comme des processus liés. BDH-CQ explore une version architecturale plus fondamentale de ce lien.

Le résultat soulève également une question produit. Les utilisateurs devraient-ils payer des coûts de calcul pour des chaînes lisibles qu’ils ne consultent jamais ? Pour les tâches exactes et vérifiables, une itération latente silencieuse pourrait offrir un meilleur équilibre.

Pour les décisions importantes, la réponse change. Les utilisateurs peuvent avoir besoin de preuves citées, d’hypothèses explicites ou d’une dérivation révisable. Un cœur latent nécessiterait une couche de restitution externe capable de communiquer fidèlement ces éléments.

La compétition à long terme n’oppose donc pas pensées cachées et pensées visibles. Elle oppose la sérialisation rigide en tokens à des systèmes qui choisissent la bonne représentation pour chaque étape de calcul et de communication.

BDH-CQ apporte des premiers éléments en faveur de cette conception plus large. Son résultat compact sur ARC rend la question plus difficile à écarter. Ses limites empêchent toutefois d’affirmer que la compétition est tranchée.

Trois signaux détermineront l’importance de BDH-CQ

La prochaine phase devra tester la reproductibilité, des domaines plus larges et le passage à l’échelle avant que BDH-CQ puisse étayer des affirmations plus ambitieuses.

Le premier signal est un artefact exécutable de manière indépendante. Pathway a publié le code de base de Dragon Hatchling, mais pas le système BDH-CQ complet utilisé pour l’évaluation rapportée.

Un conteneur figé, un checkpoint de modèle ou un protocole d’évaluation hébergé permettrait à des chercheurs non affiliés de reproduire le résultat sur 400 tâches. Cela clarifierait également la contribution de la construction et du classement des candidats au score final.

Une évaluation indépendante devrait comparer le temps matériel mesuré dans des conditions cohérentes. Elle devrait distinguer l’inférence neuronale du prétraitement, de l’augmentation, du classement des candidats et de la surcharge de service. Une comptabilisation comparable renforcerait ou affaiblirait l’affirmation d’efficacité.

Les chercheurs devraient aussi vérifier les limites d’exclusion autour des données d’évaluation. Des manifestes de jeux de données, des hachages et des procédures de sélection des checkpoints apporteraient davantage de confiance que des assurances générales. Il n’est pas nécessaire de publier les exemples privés si leur provenance peut être auditée.

Si la reproductibilité se confirme, BDH-CQ devient un nouveau point crédible sur la courbe d’efficacité d’ARC. Si elle échoue, le récit se réduit à une proposition architecturale intéressante assortie d’un résultat système non confirmé.

Le deuxième signal est la performance en dehors des grilles visuelles. L’article identifie le langage, les mathématiques, la satisfaction de contraintes et des tâches ARC plus difficiles comme orientations futures. Ces évaluations testeront la capacité de l’architecture à se transférer au-delà de sa distribution d’entraînement actuelle.

Le raisonnement linguistique impose des exigences différentes. Un modèle doit gérer l’ambiguïté, les connaissances factuelles, les sorties longues et des instructions qui évoluent avec le temps. Il doit également communiquer des éléments de preuve, et pas seulement produire une grille exacte.

Les mathématiques offriraient une vérification plus solide tout en élargissant la structure des problèmes. Les preuves formelles, la synthèse de programmes et la vérification de théorèmes peuvent tester le raisonnement latent sans dépendre entièrement d’une évaluation subjective.

ARC-AGI-2 proposerait un autre défi utile. Il a été conçu pour résister aux méthodes qui exploitent des schémas de tâches familiers et pour exiger une généralisation plus compositionnelle. Un résultat solide dans ce cadre étayerait des affirmations plus larges sur l’adaptation.

Un échec dans ces domaines n’effacerait pas le constat actuel. Il montrerait que BDH-CQ est spécialisé dans les transformations visuelles de type ARC. Ce résultat resterait instructif pour la conception de solveurs efficaces.

Le troisième signal est une démonstration transparente du passage à l’échelle. L’article affirme que BDH-CQ peut passer à l’échelle et mentionne des expériences préliminaires entre un milliard et 600 milliards de paramètres. Il ne fournit pas suffisamment d’éléments pour évaluer ces affirmations.

Les auteurs indiquent également que l’architecture pourrait prendre en charge des configurations beaucoup plus grandes. Les lecteurs devraient considérer cela comme une projection d’ingénierie jusqu’à la publication de courbes d’entraînement, de budgets de calcul et de résultats en aval.

Le passage à l’échelle peut améliorer les problèmes difficiles d’ordonnancement et de composition. Il peut aussi révéler une instabilité de mémoire, des problèmes d’optimisation ou des rendements décroissants. Le modèle actuel de 150 millions de paramètres ne permet pas de déterminer quel résultat prédomine.

Une publication particulièrement utile représenterait la taille du modèle en fonction de la précision sur les tâches, des itérations d’inférence et de la capacité de mémoire récurrente. Elle révélerait si les modèles plus grands améliorent l’abstraction ou mémorisent simplement davantage de régularités de type ARC.

Les chercheurs devraient également tester si l’effort de raisonnement évolue de manière régulière. Les réglages actuels faible, moyen et élevé montrent une précision croissante, mais seulement sur trois points. Des courbes plus détaillées pourraient identifier les saturations et les instabilités.

Ces trois signaux devraient arriver dans cet ordre : reproductibilité, élargissement des domaines, puis passage à l’échelle. Une affirmation propriétaire plus ambitieuse offre moins de valeur scientifique qu’un résultat plus modeste que des équipes indépendantes peuvent examiner.

Les développeurs devraient surveiller un détail pratique tout au long du processus. La mémoire récurrente améliore-t-elle l’adaptation sans créer de nouvelles défaillances d’isolation du contexte et de sécurité ? L’efficacité seule ne peut compenser des frontières d’état peu fiables.

Pour l’instant, BDH-CQ établit un résultat ciblé. Un système récurrent compact a appris des transformations visuelles à partir de démonstrations, a raisonné au moyen d’états continus et a produit un score ARC compétitif avec un faible coût de calcul mesuré.

Il a également échoué de manière prévisible sur les ordonnancements longs, l’exécution incohérente des règles et certaines opérations composées. Ces échecs ancrent le travail dans la réalité. Ils montrent là où des démonstrations plus riches aident et là où l’exécution interne se brise encore.

La bonne réponse n’est ni le rejet ni la célébration. Suivez le classement ARC, examinez tout artefact d’évaluation publié et comparez les résultats selon une comptabilisation cohérente.

Posez ensuite une question plus précise à chaque modèle de raisonnement : quelles étapes ont réellement besoin du langage, et quelles étapes n’utilisent des tokens que parce que les architectures actuelles n’offrent aucun meilleur espace de travail ?