CRAMは従来のループベースモデルと比較して、同等の最高精度を維持しつつ、推論時に使用する浮動小数点演算数を最低282倍削減します。これはエネルギー値が閾値を下回った瞬間に探索を停止できる「早期停止」が可能であるためです。
![推論時のFLOPsと解決率比較を示すグラフ（CRAMとループベースモデル）」}],](https://arxiv.org/html/2611.17309v1/compute-couplings.png)
すべての人に一次情報を
新しい推論手法CRAMは、解けたパズルから明示的なエネルギー関数を学習し、検索を導きます。cramはSudoku‑Extremeテストで99.996％、Maze‑Uniqueで100％の解決率を示し、GPUで42 msと132 msで学習できると報告されています。
| Sudoku-Extreme | Maze-Unique | |||||||
|---|---|---|---|---|---|---|---|---|
| Model | Solved | Params | FLOPs/puzl | Fit time | Solved | Params | FLOPs/puzl | Fit time |
| HRM [62] | 54.62 ±4.18 | 27.0M | 2.20e11 | 1.2 h | ||||
| 39.97 ±33.90 |
| 27.0M |
| 3.01e12 |
| 7.1 h |
| TRM [38] | 85.73 ±0.74 | 5.0M | 4.11e11 | 2.5 h | 92.23 ±13.37 | 6.8M | 3.84e12 | 15.6 h |
|---|
| GRAM [3] | 96.10† | 9.1M | 8.51e12 | 3.2 h | 98.63 ±1.31 | 10.9M | 8.00e13 | 23.2 h |
|---|
| EqR [36] | 99.49 ±0.14 | 5.0M | 2.11e14 | 2.0 h | 93.00† | 263.8K | 1.16e14 | 7.2 h |
|---|
| FRM [29] | 99.13 ±0.29 | 7.0M | 3.91e12 | 2.9 h | 97.27 ±2.80 | 8.0M | 4.70e12 | 9.7 h |
|---|
| TRMP§ [52] | 99.87 ±0.08 | 32.8K | 4.57e12 | 9.0 h | 99.23 ±0.31 | 60.7K | 1.80e13 | 7.6 h |
|---|
| EBR [11] | 99.85 ±0.05 | 1.8M | 3.37e11 | 2.8 h | 89.80 ±6.35 | 1.8M | 1.93e13 | 2.0 h |
|---|
| CRAM | 100.00 ±0.00 | 7.7K | 2.02e9 | 0.04 s | 100.00 ±0.00 | 18 | 8.37e5 | 0.13 s |
|---|
| (hand-set)‡ | 100.00 ±0.00 | 1 | 1.08e8 | none | 100.00 ±0.00 | 3 | 8.37e5 | none |
|---|
CRAMは従来のループベースモデルと比較して、同等の最高精度を維持しつつ、推論時に使用する浮動小数点演算数を最低282倍削減します。これはエネルギー値が閾値を下回った瞬間に探索を停止できる「早期停止」が可能であるためです。
本研究は、データから制約に基づく推論をエネルギーでコンパクトにエンコードできる可能性を示していますが、現在の単純なエネルギー形式がより複雑な推論課題（ARC‑AGI‑1など）へ直接拡張できるわけではなく、さらなる研究が必要であると指摘しています。