Sudoku测试中LLM仅解出 2%：Logical Intelligence用能量推理模型Kona达到 96.2%
据Logical Intelligence公开的实验，GPT-5.2、Claude Opus 4.5、Sonnet 4.5、Gemini 3 Pro和DeepSeek V3.2等前沿LLM在Sudoku上总体只解出 2%，API花费约 1.1 万美元；名为Kona的能量推理模型参数量小约一千倍，解出 96.2%，GPU时间花费 4 美元。该公司CEO Eve Bodnia解释了Kona这类能量推理模型（EBRM）为何在约束满足问题上表现不同。
AI解读：LLM按从左到右、逐个token生成，且输出是离散的，因此在一处提前填入的候选数字若与后续行列冲突，只能回退重新生成，且无法把答案“稍微调近”正确值。这是它在Sudoku这类需要同时满足多个约束的任务上失败的两个结构性原因。
Kona属于能量推理模型（EBRM），不直接生成token，而是学习一个能量函数E(x, y)，给候选答案打分，低能量代表更符合问题；推理时从随机噪声出发，沿能量下降方向逐步调整整个候选表示，直到能量不再下降，再由解码器输出答案。
据Bodnia所说，Kona用“只给一半格子”的未完成Sudoku训练，没有使用强化学习，但模型仍学会了规则并在测试时产出完整正确网格。Logical Intelligence没有公布Kona的具体内部训练细节。
在效率方面，文章给出的测试数据显示Kona平均 313 毫秒得出结果，而LLM单个谜题耗时可达 90 秒；该比较范围限于这次Sudoku演示。
文章指出，这类模型适合“正确性可以被精确定义和验证”的任务，例如Sudoku、形式数学、规划，因为可以用检查器或约束求解器判断对错；当正确性依赖主观判断时，LLM仍更有优势。
据Logical Intelligence公开的一项Sudoku实验，包括OpenAI的GPT-5.2、Anthropic的Claude Opus 4.5和Sonnet 4.5、Google的Gemini 3 Pro以及DeepSeek V3.2在内的前沿大语言模型，整体只解出了 2% 的谜题，API调用花费约 1.1 万美元。
同一实验中，Logical Intelligence的模型Kona解出了 96.2%，参数量比上述LLM小约一千倍，GPU时间花费约 4 美元。该公司创始人兼CEO Eve Bodnia向ByteByteGo解释了Kona所属的能量推理模型（EBRM）如何处理此类问题。
LLM在Sudoku上失败的两个结构性原因
文章以Sudoku为例说明LLM的工作方式：模型从左到右、逐个token生成数字。如果它在第 2 行填入一个数字，直到第 7 行才发现同一列已经冲突，就必须回退到出错位置并重新生成后续内容。早期提交的答案无法低成本修改。
第二个原因是输出离散。数字 1 到 9 是模型学习和产生的最小单位，一个格子里的数字要么正确要么错误，没有办法把答案向正确方向“移动一点”，只能丢弃并重新从离散集合中采样。
文章将这两个特性称为LLM的基础限制，并在需要同时满足多个约束的问题上显现，例如棋类、芯片设计、工业控制、电网优化和交易系统。
- LLM按从左到右顺序生成，发现早期错误时代价高。
- 输出为离散token，无法对答案做连续调整。
- Sudoku只是这类约束满足问题的一个示例。
能量推理模型如何给出答案
EBRM不生成token，而是学习一个能量函数E(x, y)：输入问题和候选答案，返回一个能量值。能量越低，表示候选答案与问题越一致；最低能量对应正确回答。
训练使用对比损失，让正确答案的能量低于错误答案。错误答案可以来自对正确答案的破坏，也可以来自模型自身的搜索过程。训练只调整网络权重，不修改答案本身。
推理时，候选答案从随机噪声开始，模型计算能量并沿下降方向逐步调整，直到能量不再下降，再由解码器转换成任务需要的格式。因为求解所需的步数不固定，较难的问题会消耗更多计算步骤。
- Kona在演示中平均 313 毫秒得出结果，LLM单个谜题耗时可达 90 秒。
- Logical Intelligence称Kona用半隐藏的未完成Sudoku训练，未使用强化学习，但未公开具体训练细节。
- 文章强调上述技术描述是能量推理的一般要求，不是对Kona内部实现的精确说明。
适用边界：正确性能否被精确定义
文章给出的判断标准是：如果正确答案可以被精确定义，EBRM更合适；如果正确性依赖主观判断，LLM仍有优势。
Sudoku的完成网格可以被简单程序验证，形式数学和规划也有证明检查器或约束求解器作为最终裁判。文章认为这些任务适合EBRM。而一篇评论文章是否论证充分、一条商业建议是否合理，通常依赖判断，这类任务仍偏向语言模型。
- EBRM适合Sudoku、形式数学、规划等可验证任务。
- LLM在需要主观判断的任务上仍占优势。
- 文章的对比范围限于这次Sudoku实验，未给出其他任务上的公开效果数据。