평형 추론기: 어트랙터 학습으로 확장 가능한 추론 구현

연구진은 반복적인 잠재 상태 업데이트가 과제별 attractor로 수렴하는 Equilibrium Reasoners 프레임워크를 제안했다.

테스트 시점에 깊이와 폭을 확장하면, 약한 feedforward 기준선도 어려운 벤치마크에서 훨씬 높은 정확도의 추론기로 바뀔 수 있다.

이는 반복형 모델이 왜 일반화하는지에 대한 기계적 설명을 제공하며, 외부 검증기 없이도 큰 테스트 시점 연산으로 성능을 크게 높일 수 있음을 보여준다.