Pesquisa descrita em publicação de 29 de dezembro de 2025 atribui ganhos de raciocínio dos Universal Transformers ao viés recorrente e à forte não linearidade. O URM acrescenta mistura local de tokens e truncamento da retropropagação em loops recorrentes.
Uma publicação de 29 de dezembro de 2025 descreve uma pesquisa sobre Universal Reasoning Models (URM). Segundo o texto, os ganhos de raciocínio dos Universal Transformers são atribuídos principalmente ao viés indutivo recorrente e à forte não linearidade. O URM proposto adiciona ConvSwiGLU para misturar tokens localmente e usa truncamento da retropropagação em loops recorrentes.
A publicação apresenta essas escolhas como formas de aprimorar modelos recorrentes de raciocínio e estabilizar o treinamento. Para conferir o alcance das afirmações e os detalhes técnicos, consulte a publicação original indicada pelo bookmark e compare suas descrições de método e resultados; o resumo disponível não informa métricas ou configurações experimentais.