欧美区国产区日韩区在线观看_最新中文字幕有码在线播放_影音先锋亚洲欧美丝袜_在线免费观看国产视频_高清精品无码少妇_先锋影音中文字幕_飘花电影院午夜伦限_免费99久久国产综合麻豆

作者：Keya Hu、Kaiming He等

解讀：AI生成未來(lái)
圖 1：ARC 基準(zhǔn)（上圖）由許多不同的任務(wù)組成，其中每個(gè)任務(wù)都有少量（如 2-4 個(gè)）測(cè)試樣本。本文提出了視覺(jué) ARC (VARC) 框架，從計(jì)算機(jī)視覺(jué)角度將 ARC 問(wèn)題視為圖像到圖像的翻譯問(wèn)題（下圖）。在這幅圖中，三個(gè)任務(wù)的基本概念可以被人類大致描述為"反射"（左）、"對(duì)稱"（中）和 "重力"（右）。這些概念與自然界和物理世界密切相關(guān)。

亮點(diǎn)直擊

范式轉(zhuǎn)移：打破了將 ARC（抽象推理語(yǔ)料庫(kù)）視為語(yǔ)言或邏輯符號(hào)問(wèn)題的傳統(tǒng)，首次將其成功構(gòu)建為純粹的計(jì)算機(jī)視覺(jué)（CV）問(wèn)題。

VARC 框架：提出了 Vision ARC (VARC) 框架，通過(guò)圖像到圖像翻譯（Image-to-Image Translation）的方式解決推理問(wèn)題，證明了標(biāo)準(zhǔn)視覺(jué)模型（如 ViT）也能進(jìn)行抽象概念學(xué)習(xí)。

卓越性能：僅使用 18M（1800萬(wàn)）參數(shù)的模型，在 ARC-1 基準(zhǔn)測(cè)試中達(dá)到了 54.5% 的準(zhǔn)確率，通過(guò)集成可達(dá) 60.4%，匹敵人類平均水平，且大幅超越了其他不依賴大規(guī)模預(yù)訓(xùn)練的遞歸/符號(hào)模型。

解決的問(wèn)題

抽象推理語(yǔ)料庫(kù) (ARC) 是衡量機(jī)器智能抽象推理能力的重要基準(zhǔn)。

現(xiàn)有局限：當(dāng)前主流方法多依賴大語(yǔ)言模型（LLMs）或復(fù)雜的遞歸推理模型。LLM 依賴海量互聯(lián)網(wǎng)文本數(shù)據(jù)，且?guī)в姓Z(yǔ)言偏置；遞歸模型雖然不需要大規(guī)模預(yù)訓(xùn)練，但通常設(shè)計(jì)復(fù)雜。

核心洞察：現(xiàn)有的研究忽視了 ARC 的視覺(jué)本質(zhì)。ARC 中的許多概念（如對(duì)稱、重力、物體連續(xù)性、反射）本質(zhì)上是視覺(jué)和物理規(guī)律，人類也是通過(guò)視覺(jué)觀察來(lái)解決這些謎題的。本工作旨在驗(yàn)證是否可以直接通過(guò)視覺(jué)模型解決 ARC 問(wèn)題，而不依賴顯式的語(yǔ)言中間體。

提出的方案

本工作提出了 VARC (Vision ARC) 框架：

視覺(jué)形式化：將 ARC 任務(wù)建模為從輸入網(wǎng)格到輸出網(wǎng)格的圖像翻譯問(wèn)題（類似語(yǔ)義分割）。

“畫布”與幾何變換：為了引入視覺(jué)歸納偏置（Inductive Biases），將輸入放置在一個(gè)固定大小的“畫布”上，并應(yīng)用隨機(jī)的縮放（Scale）和平移（Translation）增強(qiáng)。這迫使模型學(xué)習(xí)空間不變性和尺度不變性。

標(biāo)準(zhǔn)視覺(jué)架構(gòu)：直接使用標(biāo)準(zhǔn)的 Vision Transformer (ViT) 或 U-Net 作為主干網(wǎng)絡(luò)，從零開(kāi)始訓(xùn)練（不使用預(yù)訓(xùn)練權(quán)重）。

測(cè)試時(shí)訓(xùn)練 (TTT) ：利用 ARC 任務(wù)“少樣本”（Few-shot）的特性，在推理階段利用測(cè)試任務(wù)提供的少量示例對(duì)模型進(jìn)行快速微調(diào)。

 應(yīng)用的技術(shù)點(diǎn)

Vision Transformer (ViT) ：作為核心推理引擎，利用 Patch Embedding 和 Self-Attention 處理全局依賴。

2D 位置編碼 (2D Positional Embedding) ：為了保留網(wǎng)格的二維空間結(jié)構(gòu)，使用了可分離的 2D 位置編碼，這對(duì)視覺(jué)推理至關(guān)重要。

測(cè)試時(shí)訓(xùn)練 (Test-Time Training, TTT) ：一種元學(xué)習(xí)策略，在推理時(shí)通過(guò)梯度下降適應(yīng)新任務(wù)。

數(shù)據(jù)增強(qiáng) (Data Augmentation) ：特制的網(wǎng)格縮放和隨機(jī)平移，模擬物理世界的視覺(jué)變化。

集成學(xué)習(xí) (Ensembling) ：結(jié)合多個(gè)模型的預(yù)測(cè)結(jié)果以提升魯棒性。

達(dá)到的效果

ARC-1 準(zhǔn)確率：?jiǎn)文Ｐ停╒iT-18M）達(dá)到 54.5% ；集成后達(dá)到 60.4% 。

對(duì)比結(jié)果：在同類“從頭訓(xùn)練”（不使用額外數(shù)據(jù)）的模型中，性能顯著優(yōu)于最佳的遞歸模型（如 HRM, TRM）。

人類水平：結(jié)果與 ARC 報(bào)告的人類平均水平相當(dāng)，縮小了機(jī)器與人類在抽象視覺(jué)推理上的差距。

效率：相比于動(dòng)輒數(shù)十億參數(shù)的 LLM，VARC 僅需極小的參數(shù)量（18M）即可實(shí)現(xiàn)極具競(jìng)爭(zhēng)力的推理能力。

將 ARC 視為視覺(jué)問(wèn)題

ARC 問(wèn)題定義 (ARC Problem Definition)

ARC 基準(zhǔn)包含數(shù)百個(gè)極少樣本（very few-shot，例如 2 到 4 個(gè)樣本）的推理任務(wù)。每個(gè)任務(wù)由  表示，包含一個(gè)獨(dú)特的底層轉(zhuǎn)換規(guī)則，將輸入  映射到輸出 。這里， 和  均為最大尺寸為  的 2D 網(wǎng)格，其中每個(gè)位置具有  種不同顏色索引中的一種（例如，）。ARC 問(wèn)題的定義如圖 3 所示。

圖 3 ARC 問(wèn)題定義。ARC 是許多不同任務(wù)的集合。對(duì)于每個(gè)任務(wù)，都會(huì)給出幾個(gè)（如個(gè)）演示對(duì)（），并要求模型從中推斷輸出。訓(xùn)練集是個(gè)任務(wù)的集合，可用于模型訓(xùn)練。測(cè)試集包含個(gè)新任務(wù)：新任務(wù)的演示對(duì)只在推理時(shí)給出，模型根據(jù)這些演示對(duì)對(duì)進(jìn)行推理。

任務(wù) ：“任務(wù)”是 ARC 中的基本單元。每個(gè)任務(wù)包含少量演示示例。對(duì)于演示對(duì) ， 和  對(duì)模型都是已知的。本文將任務(wù)  的演示集表示為：，其中  是對(duì)的數(shù)量（例如， 為 2 到 4）。每個(gè)任務(wù)  還包含少量推理示例，表示為：（ 為 1 或 2）。在推理時(shí)，僅給定演示對(duì)  和一個(gè)輸入 ，要求模型推斷出期望的輸出 。

訓(xùn)練集 ：訓(xùn)練集由用于離線訓(xùn)練模型（即在給定新任務(wù)之前）的多個(gè)任務(wù)組成。本文將訓(xùn)練集表示為：，其中  是任務(wù)數(shù)量（在 ARC-1 中為 400）。遵循標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)協(xié)議，任何  的  中的樣本都可用于訓(xùn)練。訓(xùn)練集中的“推理”樣本，即任何任務(wù)  的 ，僅用于驗(yàn)證訓(xùn)練過(guò)程。

測(cè)試集 ：測(cè)試集是新任務(wù)的集合，這些任務(wù)在離線訓(xùn)練期間未被見(jiàn)過(guò)。本文將測(cè)試集表示為：，包含  個(gè)不同的測(cè)試任務(wù)。注意，任何測(cè)試任務(wù)都是一個(gè)“完整”且新的任務(wù)：即對(duì)于任何 ，也存在一個(gè)演示集 ，并且  中的對(duì)  在推理時(shí)會(huì)提供給模型。模型應(yīng)利用  來(lái)推斷該新任務(wù)中給定  的輸出。 推理時(shí)  中新  對(duì)的存在允許執(zhí)行測(cè)試時(shí)訓(xùn)練 (Test-Time Training, TTT) ，本文采納并將在后文討論這一方法。

圖像到圖像翻譯

基于這些定義，本文將每個(gè)任務(wù)上的推理制定為圖像到圖像的翻譯問(wèn)題。將該問(wèn)題框架化為逐像素分類，類似于語(yǔ)義分割問(wèn)題。

形式上，本文學(xué)習(xí)一個(gè)由  參數(shù)化的神經(jīng)網(wǎng)絡(luò) 。網(wǎng)絡(luò)  接收?qǐng)D像  作為輸入，并以與任務(wù)  相關(guān)的任務(wù) Token (Task Token) 為條件。任務(wù) Token 表示為依賴于  的可學(xué)習(xí)嵌入。 的輸出是一個(gè)網(wǎng)格，其中每個(gè)位置代表一個(gè)分類分布�？傮w目標(biāo)函數(shù)簡(jiǎn)單地是逐像素交叉熵?fù)p失：

這里， 表示真實(shí)值  與網(wǎng)絡(luò)輸出之間的逐像素交叉熵?fù)p失。

視覺(jué)建模

以前關(guān)于 ARC 的方法通常在離散值 Token 空間中操作，這是受語(yǔ)言模型設(shè)計(jì)的啟發(fā)。在本文的圖像到圖像翻譯公式中，我們探索了為視覺(jué)開(kāi)發(fā)的原生設(shè)計(jì)。

畫布 ：雖然將原始  網(wǎng)格視為  圖像是直截了當(dāng)?shù)�，但本文提出了更靈活的變換，以便以類似于自然圖像的方式表示它。 本文定義了“畫布”的概念。畫布具有預(yù)定義且足夠大的尺寸，例如 。原始輸入被變換并放置在此畫布上。這種公式自然地適應(yīng)了平移和縮放增強(qiáng)，這是在視覺(jué)中引入平移和縮放不變性的常見(jiàn)策略，將在下文中討論。本文將畫布的背景設(shè)置為額外的背景顏色，即第  種顏色。

當(dāng)應(yīng)用 Vision Transformer (ViT) 模型（下文討論）時(shí)，如果我們天真地將每個(gè)原始像素視為一個(gè) Token，則只有  個(gè)不同的 Token。相比之下，本文的畫布公式支持一組更大的局部、圖塊級(jí)（Patch-level）配置。例如，對(duì)于  的圖塊大小（見(jiàn)圖 5），單個(gè)圖塊可以包含多種顏色，原則上具有指數(shù)級(jí)大的基數(shù) 。這一公式對(duì)于提高泛化性能非常重要。

平移和縮放不變性 。“畫布”的概念使我們能夠靈活地應(yīng)用平移和縮放增強(qiáng)，這在標(biāo)準(zhǔn)視覺(jué)模型中是至關(guān)重要的。這些數(shù)據(jù)增強(qiáng)鼓勵(lì)模型學(xué)習(xí)對(duì)基于視覺(jué)世界的幾何變換具有不變性的底層映射。形式上，我們執(zhí)行：

縮放增強(qiáng) ：給定一個(gè)原始輸入，我們通過(guò)一個(gè)整數(shù)縮放比例  隨機(jī)調(diào)整其大小，將每個(gè)原始像素復(fù)制為 （見(jiàn)圖 4，左）。這類似于自然圖像中的最近鄰插值。然而，需要注意的是，ARC 中的“顏色”并不對(duì)應(yīng)現(xiàn)實(shí)世界的顏色，因此執(zhí)行其他插值（如雙線性插值）是沒(méi)有意義的。

平移增強(qiáng) ：給定縮放后的網(wǎng)格，我們將其隨機(jī)放置在固定大小的畫布上。我們確保所有像素都是可見(jiàn)的。見(jiàn)圖 4（右）。

我們通過(guò)經(jīng)驗(yàn)表明，這些視覺(jué)先驗(yàn)對(duì)于泛化到未見(jiàn)過(guò)的任務(wù)至關(guān)重要。

Vision Transformer 。給定一個(gè)隨機(jī)放置了輸入的畫布，我們通過(guò)一個(gè)標(biāo)準(zhǔn)視覺(jué)模型執(zhí)行圖像到圖像的翻譯。默認(rèn)情況下，我們使用 ViT。

ViT 的原理是基于 Patch（圖塊）的 Transformer。形式上，輸入畫布被劃分為非重疊的 Patch（例如 ），通過(guò)線性嵌入進(jìn)行投影，加上位置嵌入，然后由堆疊的 Transformer 塊進(jìn)行處理。該模型有一個(gè)線性投影層作為輸出，對(duì)每個(gè) Patch 執(zhí)行逐像素分類。注意，與每個(gè)原始像素具有連續(xù)值的自然圖像不同，在本文例子中，原始像素具有離散值。因此，在 Patch 化之前，我們首先將每個(gè)像素的離散索引映射為一個(gè)可學(xué)習(xí)的連續(xù)值嵌入。

從概念上講，Patch 化可以被視為卷積的一種特殊形式。像卷積一樣，它結(jié)合了視覺(jué)中的幾個(gè)關(guān)鍵歸納偏置：最顯著的是局部性（即對(duì)附近的像素進(jìn)行分組）和平移不變性（即跨位置的權(quán)重共享）。

2D 位置嵌入 。與通常被建模為 1D 序列的語(yǔ)言數(shù)據(jù)不同，圖像本質(zhì)上是 2D 的。如果我們天真地將嵌入的 Patch 視為 1D 序列，這種 2D 結(jié)構(gòu)可能會(huì)丟失。我們通過(guò)經(jīng)驗(yàn)表明，顯式地進(jìn)行 2D 位置建模是必不可少的。

形式上，我們采用可分離的 2D 位置嵌入，遵循 [11] 的方法：對(duì)于具有  個(gè)通道的位置嵌入，我們使用前半部分通道嵌入水平坐標(biāo)，使用分通道嵌入垂直坐標(biāo)。這既可以應(yīng)用于用于編碼絕對(duì)位置的加性位置嵌入，也可以應(yīng)用于相對(duì)位置的編碼（例如 RoPE）。

替代方案：卷積網(wǎng)絡(luò) 。除 ViT 外，也研究了更經(jīng)典的視覺(jué)架構(gòu)，即卷積神經(jīng)網(wǎng)絡(luò)。具體來(lái)說(shuō)，我們采用 U-Net 模型，這是一種分層卷積網(wǎng)絡(luò)。原始 U-Net 正是為了分割這種圖像到圖像的翻譯問(wèn)題而提出的，使其成為我們所考慮問(wèn)題的天然候選者。

兩階段訓(xùn)練

我們采用兩階段訓(xùn)練范式來(lái)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的參數(shù)。

離線訓(xùn)練 (Offline training) 。此階段應(yīng)用于整個(gè)訓(xùn)練集 。它是針對(duì)所有  的演示數(shù)據(jù)  進(jìn)行的。我們針對(duì)所有  個(gè)訓(xùn)練任務(wù)（例如 ）聯(lián)合訓(xùn)練一個(gè)模型 ，基于方程 (1) 中的損失函數(shù)。除了每個(gè)任務(wù)擁有自己的任務(wù)條件 Token 外，所有任務(wù)共享相同的參數(shù)。我們不使用訓(xùn)練任務(wù)（即 ）的推理集  來(lái)訓(xùn)練模型。這些集合僅用于驗(yàn)證。

測(cè)試時(shí)訓(xùn)練 (TTT) 。給定測(cè)試集中單個(gè)新的、未見(jiàn)過(guò)的任務(wù) ，我們通過(guò)測(cè)試時(shí)訓(xùn)練執(zhí)行推理。在推理時(shí)，我們被給定 ，其中輸入和輸出均可訪問(wèn)；模型需要對(duì)該新任務(wù)  中給定的  進(jìn)行預(yù)測(cè)。隨后的測(cè)試時(shí)訓(xùn)練及推理過(guò)程可以抽象地視為一個(gè)函數(shù) 。

對(duì)每個(gè)新任務(wù)  獨(dú)立地執(zhí)行測(cè)試時(shí)訓(xùn)練。它擁有一個(gè)新的任務(wù) Token，其參數(shù)被隨機(jī)初始化。由于  中的演示對(duì)非常少（例如 2 到 4 個(gè)），我們也執(zhí)行數(shù)據(jù)增強(qiáng)。

總之，在推理時(shí)，模型從離線訓(xùn)練的狀態(tài)初始化，僅針對(duì)單個(gè)新任務(wù)  通過(guò)測(cè)試時(shí)訓(xùn)練進(jìn)行微調(diào)，然后對(duì)  執(zhí)行推理。由于  中的新演示對(duì)非常少，即使使用了數(shù)據(jù)增強(qiáng)，這個(gè)測(cè)試時(shí)訓(xùn)練過(guò)程仍然相當(dāng)快（例如，在單塊 GPU 上每個(gè)任務(wù) 70 秒）。圖 6 可視化了測(cè)試時(shí)訓(xùn)練的效果。

圖 6.測(cè)試時(shí)間訓(xùn)練的效果。(頂部）：當(dāng)前任務(wù)的演示示例。(左下）：推理示例 xinfer。(右下）：在測(cè)試時(shí)間的訓(xùn)練過(guò)程中，xinfer 的預(yù)測(cè)逐漸變得更加準(zhǔn)確，最終模型生成了正確的預(yù)測(cè)。

推理 (Inference)

在測(cè)試時(shí)訓(xùn)練之后，將  應(yīng)用于  以獲得最終預(yù)測(cè)。這個(gè)過(guò)程類似于經(jīng)典的識(shí)別問(wèn)題。因此，采用了受識(shí)別方法啟發(fā)的后處理策略。

單視圖推理 。給定  和單個(gè)“視圖”（即給定縮放和平移），我們將  放置在畫布上并應(yīng)用  來(lái)預(yù)測(cè)輸出。由于原始網(wǎng)格中的一個(gè)輸出位置可能由畫布上的多個(gè)像素預(yù)測(cè)（例如，由于重新縮放；見(jiàn)圖 5），我們?cè)谠撐恢猛ㄟ^(guò)平均池化聚合所有預(yù)測(cè)（來(lái)自 Softmax 輸出）。

圖 5.VARC 中的 ViT 架構(gòu)。輸入內(nèi)容被隨機(jī)放置在畫布上，然后被視為自然圖像，由標(biāo)準(zhǔn) ViT 根據(jù)任務(wù)標(biāo)記進(jìn)行處理。

多視圖推理 。整合來(lái)自多個(gè)視圖的預(yù)測(cè)是一種常見(jiàn)做法（例如，見(jiàn) AlexNet）。類似地，我們采用多視圖推理來(lái)提高準(zhǔn)確性，其中視圖通過(guò)不同的增強(qiáng)進(jìn)行采樣。由于與測(cè)試時(shí)訓(xùn)練的成本相比，多視圖推理的成本可以忽略不計(jì)，因此使用許多視圖實(shí)際上幾乎是免費(fèi)的。我們使用 510 個(gè)隨機(jī)視圖（細(xì)節(jié)見(jiàn)附錄）。來(lái)自不同視圖的預(yù)測(cè)通過(guò)多數(shù)投票（majority voting）進(jìn)行整合。

(腳注 2：在多數(shù)投票中，兩個(gè)輸出網(wǎng)格僅在整個(gè)網(wǎng)格完全相同時(shí)才被視為“一致”。獲勝者是與最大數(shù)量的其他輸出網(wǎng)格“一致”的網(wǎng)格。)

Pass@2 準(zhǔn)確率 。ARC 基準(zhǔn)默認(rèn)采用 pass@2 準(zhǔn)確率指標(biāo)：即，可以產(chǎn)生兩個(gè)不同的解決方案用于評(píng)估，如果其中一個(gè)正確，則認(rèn)為該任務(wù)正確。為了支持這一指標(biāo)，我們?cè)诙嘁晥D推理中采用多數(shù)投票，并保留前 2 個(gè)出現(xiàn)頻率最高的輸出解決方案。

實(shí)現(xiàn)細(xì)節(jié)

畫布 (Canvas) 。在我們表現(xiàn)最好的模型中，畫布大小為 。在 ViT 的情況下，圖塊（patch）大小為 ，導(dǎo)致序列長(zhǎng)度為 。對(duì)于縮放增強(qiáng)，隨機(jī)采樣一個(gè)整數(shù)縮放比例，使得縮放后的網(wǎng)格不大于畫布大小。對(duì)于平移增強(qiáng)，隨機(jī)采樣左上角，但要滿足放置的圖像完全可見(jiàn)的約束。

離線訓(xùn)練 。使用標(biāo)準(zhǔn)的 ARC-1 訓(xùn)練集  進(jìn)行訓(xùn)練：它有 400 個(gè)任務(wù)，每個(gè)任務(wù)有 2-4 個(gè)演示對(duì)。遵循 ARC 上的常見(jiàn)做法，我們還使用 RE-ARC 集擴(kuò)展本文訓(xùn)練集，我們從中為每個(gè)任務(wù)采樣 1,000 個(gè)額外的演示對(duì)。合在一起，本文完整訓(xùn)練集大約有 40 萬(wàn)個(gè)樣本對(duì)。我們?cè)陔x線訓(xùn)練中應(yīng)用平移和縮放增強(qiáng)。

測(cè)試時(shí)訓(xùn)練 (Test-time training) 。給定測(cè)試集中的一個(gè)未見(jiàn)任務(wù) ，我們?cè)?nbsp; 中有 2-4 個(gè)樣本對(duì)。為了使測(cè)試時(shí)訓(xùn)練更可行，我們還將單個(gè)任務(wù)  增強(qiáng)為多個(gè)輔助任務(wù)。我們通過(guò)使用現(xiàn)有 ARC 方法中的標(biāo)準(zhǔn)增強(qiáng)來(lái)做到這一點(diǎn)：翻轉(zhuǎn)、旋轉(zhuǎn)（90°、180° 或 270°）和顏色排列。我們將這些測(cè)試時(shí)訓(xùn)練增強(qiáng)中的每一個(gè)視為一個(gè)輔助任務(wù)，每個(gè)任務(wù)分配一個(gè)任務(wù)嵌入。我們還在測(cè)試時(shí)訓(xùn)練中應(yīng)用平移和縮放增強(qiáng)，但我們不將它們視為新的輔助任務(wù)（假設(shè)所有輔助任務(wù)都是平移和縮放不變的）。

實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)主要在 ARC-1 基準(zhǔn)上進(jìn)行。報(bào)告了 pass@2 準(zhǔn)確率（以下簡(jiǎn)稱“準(zhǔn)確率”），單位為百分比（%）。為了支持 pass@2 評(píng)估，我們采用多視圖推理。我們還報(bào)告了 ARC-2上的最終結(jié)果。

在 ARC-1 評(píng)估集（即 ）上評(píng)估本文模型。這個(gè)集合在概念上是一個(gè)測(cè)試集（見(jiàn)圖 3），但其真實(shí)標(biāo)簽僅可用于計(jì)算準(zhǔn)確率。

視覺(jué)先驗(yàn)

圖 7 總結(jié)了視覺(jué)先驗(yàn)的效果，從一個(gè)沒(méi)有該圖中其他組件的基線 (a) 開(kāi)始。這些先驗(yàn)共同帶來(lái)了 27.7 分的增益，其中基于畫布的設(shè)計(jì) (c→f) 帶來(lái)了 11.5 分的增益。我們討論這些組件如下。

2D 位置嵌入 。從 1D 位置嵌入擴(kuò)展到其 2D 對(duì)應(yīng)物是有益的：見(jiàn)圖 7(b)(c)。這在 (b) 絕對(duì)和 (c) 相對(duì)位置嵌入中均被觀察到。 為了在更強(qiáng)的基線上展示這種效果，我們將圖 7(f) 中的 2D RoPE 替換為 1D RoPE，并觀察到 3.5 分的下降，從 54.5 降至 51.0。

Patch 化 (Patchification) 。本文方法的一個(gè)關(guān)鍵設(shè)計(jì)原則是將輸入準(zhǔn)備為自然圖像。這使得 Token 集合從非常有限的大�。ɡ�如 10）擴(kuò)展到指數(shù)級(jí)大的數(shù)量。條目圖 7(d-f) 都受益于此設(shè)計(jì)。

在圖 7(d) 中，我們從  畫布上的  Patch 推進(jìn)到  畫布上的  Patch。這樣做不會(huì)增加 Transformer 的計(jì)算成本。在這個(gè)消融實(shí)驗(yàn) (d) 中，縮放比例固定為 。因此，如果我們限制每個(gè)  Patch 僅覆蓋一個(gè)原始像素，它就等同于  畫布上的  Patch 對(duì)應(yīng)物。因此，為了確保有意義的比較，我們不施加此約束，允許每個(gè)  Patch 覆蓋多種顏色。這可以解釋為畫布上的單像素平移增強(qiáng)。 即便如此， Patch 化導(dǎo)致了 2.4 分的顯著增益，從 43.0 提高到 45.4；見(jiàn)圖 7(c,d)。盡管只有微小的單像素增強(qiáng)，每個(gè) Patch 仍可覆蓋多種顏色（如在自然圖像中），這極大地豐富了學(xué)習(xí)的數(shù)據(jù)空間。

平移和縮放增強(qiáng) 。在圖像識(shí)別中，即使是能力極強(qiáng)的網(wǎng)絡(luò)架構(gòu)仍然極大地受益于平移和縮放增強(qiáng)。我們?cè)?ARC 中得出了類似的觀察結(jié)果。見(jiàn)圖 7(e,f)。

在圖 7(e) 中，我們?cè)诋嫴忌蠎?yīng)用完全靈活的平移增強(qiáng)。與圖 7(d) 中的“單像素”增強(qiáng)相比，此設(shè)置產(chǎn)生了額外的 2.9 分增益（從 45.4 到 48.3）。在圖 7(f) 中，我們進(jìn)一步應(yīng)用了由畫布概念啟用的縮放增強(qiáng)�？s放增強(qiáng)產(chǎn)生了 6.2 分的實(shí)質(zhì)性增益。與可以通過(guò) Patch 化（即卷積的一種特殊形式）部分解決的平移不變性不同，ViT 架構(gòu)幾乎沒(méi)有關(guān)于尺度不變性的歸納偏置。這可以解釋為什么縮放增強(qiáng)產(chǎn)生了實(shí)質(zhì)性的增益。

其他消融實(shí)驗(yàn)

ViT 對(duì)比 U-Net 。在表 1 中，我們比較了 ViT 與 U-Net（一種卷積網(wǎng)絡(luò)）。我們?cè)u(píng)估了每種架構(gòu)的三種模型尺寸。盡管 ViT 一致地表現(xiàn)更好，但所有 U-Net 變體都達(dá)到了不錯(cuò)的準(zhǔn)確率，表明這個(gè)問(wèn)題也可以通過(guò)經(jīng)典的視覺(jué)主干網(wǎng)絡(luò)有效地解決。

可擴(kuò)展性 。在圖 8 中，我們展示了具有不同深度和寬度的 ViT。在這個(gè)范圍內(nèi)，本文方法展示了良好的可擴(kuò)展性：增加深度和/或?qū)挾葧?huì)由于更好的擬合而導(dǎo)致更高的準(zhǔn)確率。超過(guò)這個(gè)范圍可能會(huì)導(dǎo)致在當(dāng)前設(shè)置下的過(guò)擬合，如表 1 中 66M ViT 模型所示。我們觀察到這個(gè)較大的模型實(shí)現(xiàn)了更高的訓(xùn)練準(zhǔn)確率，表明未來(lái)的研究應(yīng)關(guān)注泛化。

測(cè)試時(shí)訓(xùn)練 (TTT) 策略 。在圖 9中，研究了有無(wú)離線訓(xùn)練的 TTT，以及針對(duì)每個(gè)測(cè)試任務(wù)聯(lián)合執(zhí)行 TTT 與獨(dú)立執(zhí)行 TTT 的對(duì)比。

正如預(yù)期的那樣，離線訓(xùn)練極大地提高了 TTT 的性能，表明關(guān)于視覺(jué)世界的常識(shí)可以從訓(xùn)練集中學(xué)到。也注意到，即使沒(méi)有離線訓(xùn)練，本文 TTT 策略也能達(dá)到不俗的準(zhǔn)確率 (26.4)，表明這個(gè)基準(zhǔn)測(cè)試中的一些任務(wù)可以在“白板”（tabula rasa，即從零開(kāi)始）狀態(tài)下解決。這一結(jié)果在類似設(shè)置下優(yōu)于 [36] 中的結(jié)果。

令人驚訝的是，為每個(gè)測(cè)試任務(wù)獨(dú)立執(zhí)行 TTT 比在所有測(cè)試任務(wù)上聯(lián)合執(zhí)行 TTT 產(chǎn)生的性能要好得多（高出約 10 分），即使后者依賴于更強(qiáng)的假設(shè)，即所有測(cè)試任務(wù)一次性均可用(通常情況下，不能假設(shè)多個(gè)未見(jiàn)任務(wù)會(huì)一次性全部呈現(xiàn))。我們假設(shè)過(guò)度訓(xùn)練測(cè)試任務(wù)可能會(huì)導(dǎo)致模型遺忘在離線訓(xùn)練期間獲得的知識(shí)。

單視圖對(duì)比多視圖推理 。如前所述，我們默認(rèn)采用多視圖推理。為了完整性，也檢查了單視圖推理的準(zhǔn)確率。由于單視圖推理無(wú)法產(chǎn)生多個(gè)預(yù)測(cè)，比較 pass@1 準(zhǔn)確率。見(jiàn)表 2。

單視圖推理具有 35.9 的不錯(cuò)的 pass@1 準(zhǔn)確率；多視圖推理進(jìn)一步提升至 49.8，這要?dú)w功于多數(shù)投票。與典型的計(jì)算機(jī)視覺(jué)應(yīng)用（如語(yǔ)義分割）不同，在 ARC 中，即使單個(gè)像素上的錯(cuò)誤也會(huì)導(dǎo)致整個(gè)預(yù)測(cè)不正確。這可能解釋了這里看到的巨大增益。

系統(tǒng)級(jí)比較

在表 3 中，在 ARC-1 和 ARC-2 上與領(lǐng)先的基于 LLM 或遞歸模型的結(jié)果進(jìn)行了比較。(本文 ARC-2 模型僅在 ARC-1 數(shù)據(jù)集上訓(xùn)練，并在 ARC-2 集合上進(jìn)行測(cè)試時(shí)訓(xùn)練和推理。)

本文模型與一些在報(bào)告結(jié)果時(shí)最強(qiáng)大的 LLM 相比毫不遜色：包括 Deepseek、Claude、o3 和 GPT-5（注意到，鑒于 LLM 的快速進(jìn)展，這些模型在本論文公開(kāi)時(shí)可能會(huì)有更強(qiáng)的結(jié)果）。LLM 在互聯(lián)網(wǎng)規(guī)模的數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練，有些可能還包含包括圖像在內(nèi)的多模態(tài)數(shù)據(jù)。本文方法不依賴此類數(shù)據(jù)，并且使用的模型小幾個(gè)數(shù)量級(jí)。

在僅在 ARC 數(shù)據(jù)上從頭訓(xùn)練的受控設(shè)置中，本文方法大幅超越了遞歸模型：HRM和 TRM 。我們具有 18M 參數(shù)的 VARC 在 ARC-1 上比 TRM 高出約 10 分，相對(duì)提升超過(guò) 20%。注意，一旦測(cè)試時(shí)訓(xùn)練完成，本文模型執(zhí)行完全的前饋推理，推理中不涉及遞歸。

遵循視覺(jué)中的經(jīng)典集成實(shí)踐（例如，AlexNet），集成了一個(gè) ViT 和一個(gè) U-Net，每個(gè)都進(jìn)行了四次測(cè)試時(shí)訓(xùn)練。這樣做將本文結(jié)果提升至 60.4。這一結(jié)果縮小了與報(bào)告的平均人類表現(xiàn) (60.2) 的差距。

可視化與分析

除了數(shù)值指標(biāo)外，我們還提供了額外的定性結(jié)果，以幫助揭示模型的行為。更多的可視化結(jié)果請(qǐng)參閱附錄。

注意力模式 。圖 10 展示了本文 ViT 模型在一個(gè)測(cè)試任務(wù)中的注意力模式。這些注意力圖顯示，本文模型能夠正確推理源像素與其要復(fù)制的目標(biāo)像素之間的關(guān)系。

圖 11 可視化了另一個(gè)測(cè)試任務(wù)的逐層注意力圖。逐層圖是該層中所有像素平均后的 Softmax 注意力圖：它揭示了在該層中哪些像素受到了最多的關(guān)注。在這個(gè)任務(wù)中，不同的層表現(xiàn)出不同的專長(zhǎng)：有些層關(guān)注要被復(fù)制的像素，而有些層關(guān)注沿八個(gè)方向的目標(biāo)線。

任務(wù)嵌入的 t-SNE 。本文模以任務(wù) Token 為條件，并通過(guò)學(xué)習(xí)得到的嵌入來(lái)表示每個(gè)任務(wù)。在 ARC-1 的 400 個(gè)訓(xùn)練任務(wù)中，本文模型在離線訓(xùn)練中學(xué)習(xí)了 400 個(gè)不同的任務(wù)嵌入。通過(guò) t-SNE 將這 400 個(gè)嵌入可視化在 2D 空間中（見(jiàn)圖 12）。每個(gè)點(diǎn)對(duì)應(yīng)一個(gè)任務(wù)。

有趣的是，我們觀察到任務(wù)嵌入空間中鄰近的點(diǎn)表現(xiàn)出相似的語(yǔ)義。例如，圖 12 左上角顯示了兩個(gè)與著色相關(guān)的任務(wù)；左下角顯示了兩個(gè)與廣義邏輯運(yùn)算（即 AND/OR/XOR）相關(guān)的任務(wù)。這種可視化表明，本文方法試圖學(xué)習(xí)不同任務(wù)之間的關(guān)系，這對(duì)于抽象和推理來(lái)說(shuō)是一種本質(zhì)能力。

總結(jié)

Vision ARC (VARC) ，這是一個(gè)將抽象推理語(yǔ)料庫(kù) (ARC) 重新構(gòu)建為視覺(jué)問(wèn)題的框架。與目前占主導(dǎo)地位的以語(yǔ)言為中心的方法不同，本文證明了標(biāo)準(zhǔn)視覺(jué)架構(gòu)（如 Vision Transformers）配合圖像到圖像的翻譯公式，在抽象推理方面非常有效。 通過(guò)引入“畫布”表示、幾何數(shù)據(jù)增強(qiáng)和測(cè)試時(shí)訓(xùn)練，VARC 在不依賴任何外部數(shù)據(jù)或預(yù)訓(xùn)練的情況下，在 ARC-1 上實(shí)現(xiàn)了SOTA性能。本文結(jié)果挑戰(zhàn)了抽象推理需要復(fù)雜的符號(hào)邏輯或大規(guī)模語(yǔ)言模型的普遍觀點(diǎn)，并表明視覺(jué)處理是智能的一個(gè)基本組成部分。

本文希望這項(xiàng)工作能鼓勵(lì)社區(qū)重新審視視覺(jué)在通用人工智能中的作用，并探索視覺(jué)模型在傳統(tǒng)感知任務(wù)之外的推理能力。ARC 不僅僅是一個(gè)謎題集合；它是一個(gè)視覺(jué)世界，應(yīng)該用視覺(jué)的眼睛來(lái)看待。

參考文獻(xiàn)

[1] ARC Is a Vision Problem!

       原文標(biāo)題 : 第二彈！MIT何愷明團(tuán)隊(duì)再發(fā)重磅成果VARC：ARC原來(lái)是個(gè)視覺(jué)問(wèn)題！性能匹敵人類水平