这篇论文全面介绍了关于 RPM 的计算模型，包括历史、智力测量理论、项目设计和自动生成、计算模型的概念史，以及将人类智力测试和 AI 测试进行比较并提出建议。

Feb, 2023

人类智能的一个特征是能够从有限的经验中推断出抽象规则，并将这些规则应用于陌生情境。本研究介绍了一个使用特征检测、仿射变换估计和搜索的算法方法来进行规则检测和应用，并在简化版的 Raven's Progressive Matrices 任务中展示了模型具有类似人类水平的一次性学习和符号推理能力。

Mar, 2024

通过构建 LILA 基准测试，我们提出了一种旨在评估和改进人工智能系统在数学推理领域中表现的方法，并发现多任务学习可以显著提高性能，在一般数学推理和理解方面还有提高的余地。

Oct, 2022

探究对象为中心的编码器和变换推理模块是否能提高图像推理任务的效果，并发现其比传统以 Raven 智力测试为基础的任务特定归纳偏见更全面适用。

Mar, 2023

利用儿童发展心理学经典实验评估大型语言模型（LLMs）的能力，提出一种评估 LLMs 能力的 LRS 度量，将 Google 的 LaMDA 模型应用于实验，发现 LaMDA 在社交认知任务中回答的适当反应与儿童相似，但在早期物体行为认知、心理理论以及因果推理方面的回答则与儿童有很大不同，表明这些领域需要更多的现实世界自发探索，不能简单地通过语言输入模式学习。

May, 2023

本论文旨在通过 extit {序列一致性评估}(SCE) 构建检测任务，研究使用深度学习模型解决此类任务的能力，结果表明，未经训练的深度学习模型仍能相对良好地解决这一类任务，这为构建机器流体智能提供了启示。

May, 2022

本文介绍使用类比和图像转换的计算模型解决 Raven 渐进矩阵测试问题，并证明了使用这些方法在标准版本中可以解决 57 个问题中的 60 个问题。

Aug, 2022

基于变压器蓝图的深度学习架构，解决抽象推理任务中的挑战，通过预测个体对象及其布局的视觉属性来选择答案，并在实验评估中优于现有方法，提供关于推理的有趣见解和部分解释，同时免疫某些 RPM 基准中已知的偏见。

Aug, 2023

发展心理学家们就认知能力（如语言理解或心灵理论）何时出现进行了辩论。这些辩论往往取决于 “任务需求” 的概念 —— 与执行特定评估相关的辅助挑战 —— 这可能掩盖了儿童潜在的能力。在衡量语言模型（LM）的能力时也会遇到类似问题：对任务的表现是模型基本能力和利用其可用资源解释和执行任务的能力的综合体现。在这里，我们展示了对类比推理、反思推理、词语预测和语法判断的评估方法中，存在较高任务需求的评估比需求较低的评估表现更低。这种 “需求差距” 在参数较少、训练数据较少的模型中最为明显。我们的结果表明，LM 性能不应被解释为智能（或缺乏智能）的直接指示，而应看作是通过研究者设计选择镜头下看到的能力的反映。

Apr, 2024

通过将人类语言与类比制造联系起来，我们使用大规模预训练的语言模型（PLMs）来支持人工智能系统的类比能力，将感知特征转换成语言形式，PLMs 展现出惊人的零 - shot 关系推理能力，并在 RPM 测试中接近监督的以视觉为基础的方法。

May, 2023