一句话看懂：巴黎研究团队发布了 150M 参数的推理模型 BDH-CQ，在 ARC-AGI-1 基准上以每任务 0.0007 美元的成本达到 29.5% pass@2，用不到十分之一的推理成本突破了该基准原有的成本-精度前沿。
事件核心：发生了什么
由 Jan Chorowski 等人提交的论文《BDH-CQ: In-Context Learning with Recurrent Latent Reasoning》于 8 月 10 日公开，并在 Hugging Face 论文社区获得 593 票成为当日热门。BDH-CQ 是一个仅 150M 参数的小型推理模型，核心设计是将上下文学习与循环潜在推理结合：推理时不生成中间文字（即不做显式思维链），而是在高维潜空间中进行迭代计算，输入会持续更新模型的循环记忆。
在公开的 ARC-AGI-1 评测集上，该配置达到 29.5% pass@2，单任务推理成本约为 0.0007 美元。论文称这一结果突破了此前 ARC-AGI-1 上报到的成本-精度帕累托前沿，是目前该基准上性价比最高的技术方案。需要说明的是，29.5% 的绝对准确率并不算突出，这次突破的关键在成本端而非纯性能端。
为什么重要
当前主流推理模型走的都是“更大的参数量 + 更长的思维链”路线，推理成本随 token 消耗线性上升。BDH-CQ 展示了一种不同思路：把推理过程压缩进循环潜在空间，用极小的模型和极低的计算量完成原本需要大模型多步生成的推理任务。这对 AI 行业的成本结构有直接意义——如果这条路能推广到更多任务，推理 API 的定价、端侧部署的可行性、智能体对模型的频繁调用成本，都可能被重新评估。
同时，论文属于开源研究成果，项目页和 GitHub 已公开，意味着这套方法可以被复现和验证，而非停留在纸面。
对用户/开发者/创作者的影响
对开发者和企业而言，最直接的信号是：低成本推理不再只是大模型厂商的“内部优化课题”。如果 BDH-CQ 的方法可以迁移到代码生成、结构化数据理解等场景，它有望降低 Agent 类应用的每次调用成本，也可能让中小团队在有限算力下自建推理服务。创作者关心的图像生成、视频生成等场景目前与此无直接关系，但推理成本下降会间接压低下游 AI 工具的整体使用门槛。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
以下几个点值得跟踪：第一，BDH-CQ 的权重、代码和完整训练配置是否真正开放，能否被其他团队复现；第二，这种循环潜在推理路线能否从小模型扩展到大模型，以及能否在 ARC-AGI-1 之外的通用任务上保持性价比优势；第三，这一成本数据是否会刺激基座模型厂商调整 API 定价策略，或引发更多团队跟进同样的技术路线。
