看几道例题后临场摸出规则，AI通常还要把推理一步步写成文字。BDH-CQ想省掉这本“文字草稿”：示例依次写入循环记忆——可反复增删的内部状态；遇到新题后，模型直接在潜变量空间，也就是人类看不见的数字表示中多轮推演，只输出答案。这样，上下文学习（不改长期参数、仅凭当前示例学规则）和内部推理被放进了同一套机制。
论文最醒目的结果来自ARC-AGI-1：模型先看少量彩色方格的输入—输出示例，再推断规则处理新方格。作者称，1.5亿参数版本在允许两次作答时取得29.5%的通过率，每题约耗0.85秒H200 GPU时间；按每小时3美元折算，成本为0.0007美元，并刷新了该评测的成本—准确率前沿。不过，这个价格是作者按硬件时间计算的，不一定等同于实际服务报价；模型的具体记忆更新规则、维度和完整训练配方也未公开。