locuslab/EqR-data

--- license: apache-2.0 task_categories: - other --- # EqR-data This repository contains the datasets used in the paper [Equilibrium Reasoners: Learning Attractors Enables Scalable Reasoning](https://huggingface.co/papers/2605.21488). The datasets are designed to evaluate scalable test-time reasoning in iterative latent models, specifically focused on learning task-conditioned attractors. ## Dataset Details The repository includes data for two main reasoning tasks: - **Sudoku-Extreme**: A set of challenging Sudoku puzzles designed to test the limits of iterative reasoning models, following the setup from [HRM](https://github.com/sapientinc/HRM). - **Maze-Unique**: A dataset of 30x30 mazes where each maze has a unique solution path and specific length constraints. ## Links - **Paper**: [Equilibrium Reasoners: Learning Attractors Enables Scalable Reasoning](https://huggingface.co/papers/2605.21488) - **GitHub**: [locuslab/eqr](https://github.com/locuslab/eqr) - **Project Page**: [X (Twitter) Thread](https://x.com/huskydogewoof/status/2057641657580064941?s=20) ## Usage The datasets can be downloaded using the scripts provided in the official GitHub repository: ```bash git clone https://github.com/locuslab/eqr cd eqr bash scripts/download_artifacts.sh ``` ## Citation ```bibtex @article{huang2026equilibrium, title={Equilibrium Reasoners: Learning Attractors Enables Scalable Reasoning}, author={Huang, Benhao and Geng, Zhengyang and Kolter, Zico}, journal={arXiv preprint arXiv:2605.21488}, year={2026} } ```This repository contains the datasets used in the paper Equilibrium Reasoners: Learning Attractors Enables Scalable Reasoning. The datasets are designed to evaluate scalable test-time reasoning in iterative latent models, specifically focused on learning task-conditioned attractors. It includes data for two main reasoning tasks: Sudoku-Extreme, a set of challenging Sudoku puzzles designed to test the limits of iterative reasoning models, following the setup from HRM; and Maze-Unique, a dataset of 30x30 mazes where each maze has a unique solution path and specific length constraints.

搜集汇总

数据集介绍

构建方式

EqR-data数据集源自论文《Equilibrium Reasoners: Learning Attractors Enables Scalable Reasoning》，专为评估迭代潜在模型中的可扩展测试时推理能力而设计，核心聚焦于学习任务条件吸引子。该数据集涵盖两大推理任务：其一为Sudoku-Extreme，从HRM设置中衍生，由一系列高难度数独谜题构成，旨在挑战迭代推理模型的极限；其二为Maze-Unique，包含30x30的迷宫，每个迷宫均具备唯一解路径且具有特定的长度约束，用以测试模型在复杂空间中的路径规划能力。

使用方法

用户可通过官方GitHub仓库提供的脚本便捷获取EqR-data数据集。首先克隆locuslab/eqr仓库，随后运行bash scripts/download_artifacts.sh命令即可自动下载完整数据文件。该数据集采用Apache-2.0许可协议，支持广泛的研究与开发用途。建议结合论文中的实验设置，将数据直接加载至迭代潜在模型中，通过对比吸引力收敛性能与路径唯一性，系统评估模型在可扩展推理上的表现。

背景与挑战

背景概述

EqR-data数据集由卡内基梅隆大学等机构的研究人员于2026年提出，旨在评估迭代潜变量模型中的可扩展测试时推理能力。该数据集围绕学习任务条件吸引子这一核心研究问题展开，聚焦于验证平衡推理器（Equilibrium Reasoners）在复杂结构化推理任务中的有效性。通过提供Sudoku-Extreme和Maze-Unique两类具有挑战性的推理任务数据，该数据集为探索神经网络的迭代推理机制提供了标准化基准，推动了可扩展推理前沿的发展，对人工智能领域内推理模型的优化与评估具有重要意义。

当前挑战

EqR-data数据集面临的挑战主要涵盖领域问题与构建过程两个方面。在领域问题层面，其旨在解决现有推理模型在复杂任务中泛化能力不足及计算可扩展性受限的难题，例如传统模型在处理高维约束满足问题（如数独）和具有唯一路径的迷宫导航时，常因梯度消失或计算循环低效而难以收敛至稳定解。在构建过程中，数据集设计需确保Sudoku-Extreme样例具有极端难度以避免过拟合，同时Maze-Unique需在30×30网格中生成唯一解路径并严格控制路径长度，这对数据合成的算法复杂性与多样性提出了高要求。

常用场景

经典使用场景

EqR-data数据集为评估迭代潜变量模型在可扩展测试时推理中的表现而生，其核心设计聚焦于学习任务条件化吸引子。该数据集包含两大经典任务场景：一是Sudoku-Extreme，由一系列高难度数独谜题构成，用于检验模型在离散逻辑约束下的推理能力；二是Maze-Unique，涵盖30x30规模的迷宫，每个迷宫拥有唯一解路径与特定长度限制，专为测试模型在连续空间中的路径规划与迭代优化能力而打造。研究者常利用该数据集驱动模型在迭代推理范式中实现从初始状态向稳定吸引子状态的收敛，从而验证平衡推理器在复杂结构化问题上的可扩展性。

解决学术问题

EqR-data的提出填补了现有推理数据集在迭代动力系统视角下的空白，解决了两个关键学术难题：其一，传统数据集多关注单步或前向推理，而缺乏对迭代推理过程中收敛行为与吸引子动态的系统评估；其二，现有基准难以区分模型是否真正学习了任务相关的结构特性，而非仅仅依赖记忆或浅层模式。该数据集通过精心设计的数独与迷宫任务，迫使模型在迭代中逐步逼近正确解，从而实证了平衡推理器在学习吸引子以实现可扩展推理方面的独特优势，为研究隐式推理、固定点迭代与动力系统在神经网络中的融合提供了坚实的实验平台。

实际应用

在实际应用中，EqR-data所驱动的平衡推理器可广泛部署于需多步符号推理与约束满足的领域。在逻辑谜题求解上，如数独游戏与图案推理，模型能模拟人类逐步试错与回溯的过程，实现鲁棒的解空间搜索。在机器人自主导航中，迷宫任务所训练的吸引子机制可直接迁移至未知环境下的路径规划，使智能体在动态障碍中仍能通过迭代优化逼近最优轨迹。此外，该数据集还为工业领域的组合优化问题（如排班调度与资源分配）提供了可迭代求解的推理框架，助力从静态规划迈向实时自适应决策。

数据集最近研究

最新研究方向

EqR-data数据集聚焦于迭代隐式模型中的可扩展推理能力，开创性地引入“均衡吸引子学习”机制，为复杂约束满足问题（如Sudoku-Extreme高难度数独与Maze-Unique唯一路径迷宫）提供基准测试。该研究顺应了深度学习中从静态前馈网络向动态隐式平衡模型演进的前沿趋势，通过任务条件化吸引子设计突破推理深度瓶颈，其成果直接关联到可扩展推理在自动化规划、组合优化及神经符号系统等热点领域的应用。该数据集的发布不仅推动了迭代推理范式的实证评估标准化，更为研究隐式动力学中的长期依赖与收敛性提供了关键实验平台，标志着推理模型在寻求计算效率与求解精度平衡的里程碑式进展。