一款名为BDH-CQ的小型AI模型无需将思考过程转化为文字，通过内部固定的记忆结构，实现了高效且低成本的无声推理。

如今的多数人工智能系统在面对复杂难题时，通常会通过生成长串的文字步骤来逐步推导答案，这种方法被称为“思维链”推理。虽然这种逐步拆解的方式提高了解题准确率，但生成每一个词语都需要消耗计算资源。为了得到一个简短的最终结论，模型往往要输出大量无用的中间词，导致整个推理过程既缓慢又昂贵。

为了打破这一局限，研究人员在2026年8月10日提出了一种名为BDH-CQ的实验性小型AI模型。该模型在处理逻辑谜题时，完全跳过了将中间思考转化为语言的步骤。在传统的上下文学习中，AI在解答新问题时需要时刻把之前看过的所有示例挂在眼前。而BDH-CQ则采取了截然不同的机制，它利用每个示例来更新一个固定容量的内部记忆，无论吸收多少示例，其占用的空间都保持不变，因而无需反复回头检索历史信息。

正如Pathway公司的首席执行官兼复杂性科学家Zuzanna Stamirowska所指出的，当收到查询指令后，该模型根本不会在内部将推理步骤拼写成文字，其内部运行的任何环节都不会转换为语言。在针对ARC-AGI-1这一测试视觉规律推断能力的标准评估中，BDH-CQ在仅有2次尝试机会的情况下，成功解答了近30%的难题。这一测试要求AI从极少数示例中推断出图形变化规律并应用于新谜题，难度堪比人类学生的图形考试。

BDH-CQ在不同类型的题目上表现各有优劣。它在处理图形旋转或移动等空间变换任务时得心应手，但在应对颜色改变以及多重规则叠加的复杂情况时显得较为吃力。不过，在面对更难的排序与嵌套谜题时，只要先让它看一个难度相当的示例，其表现就会明显提升。

这种省去文字输出的无声推理方式，带来了显著的成本优势。研究团队估计，BDH-CQ运行单个谜题查询的成本约为0.00070美元，仅为GPT-5.6模型在同一基准测试中运行成本的11分之一左右。

对于这一突破，加拿大滑铁卢大学的计算机科学家Yuntian Deng评价道，这是一个非常有趣的效率探索成果。虽然这尚未证明BDH-CQ的基础架构全面优于现有方案，但专精型小模型确实是实现高效推理的一条可行路线。他也提醒，由于缺乏写出来的文字推理步骤，这种模型的内部思考过程更难被人类审查与监督。

德国埃利斯蒂宾根研究所与马克斯·普朗克智能系统研究所的机器学习研究员Jonas Geiping表示，BDH-CQ是专门针对此类图形推理问题构建的，虽然难以直接与通用AI进行横向对比，但其无需重新训练即可应对测试难题的设计非常巧妙。

Yuntian Deng补充道，人类语言非常适合用于交流沟通，但对于AI内部的中间计算而言，文字未必是最经济高效的表达形式。不依赖语言的无声思考，或许正在为未来计算打开一道全新的大门。

原文：https://www.sciencenews.org/article/ai-model-reason-logic-words-efficient