精选今天0 投票
ARCANA：面向ARC-AGI-2推理的反思式多智能体程序合成框架
arXiv 最新论文提出 ARCANA，一个用于解决 ARC-AGI-2 任务的协作式多智能体框架。该框架在严格的测试时间和硬件约束下运行，将每个任务分解为迭代感知、假设生成、符号执行和反思改进四个阶段。
核心架构与工作流
ARCANA 由多个专用智能体协同工作：
- 感知基础智能体：从原始网格构建以对象为中心的场景图，提取结构化信息。
- 潜在程序策略：生成多样化的 DSL 程序候选。
- 符号执行器：在演示样本上验证候选程序。
- 反思智能体：综合失败驱动的反馈，指导下一轮迭代。
这些智能体通过共享的可微分黑板进行通信，并由一个学习到的元控制器调度。这种设计将结构化程序搜索与自适应多轮修正相结合，显著提升了在抽象变换任务上的推理效率和解决方案质量。
技术亮点
ARCANA 的关键创新在于其“反思”机制：当符号执行器发现程序输出与预期不符时，反思智能体会分析失败原因，并将结构化反馈注入下一轮假设生成，从而逐步逼近正确解。这种闭环迭代模式不同于传统单次生成方法，更接近人类解题时的试错与修正过程。
行业意义
ARC-AGI（Abstraction and Reasoning Corpus）系列任务被视为衡量 AI 系统抽象推理能力的基准。ARCANA 框架通过多智能体协作与反思学习，在有限计算资源下实现了更高效的推理，为构建通用人工智能提供了新的思路。论文作者来自学术机构，代码与数据预计将在论文发表后开源。