精选今天0 投票
编码智能体需要可执行世界模型、简化与验证来攻克 ARC-AGI-3 吗？
破解 ARC-AGI-3：编码智能体的核心能力归因研究
在人工智能领域，ARC-AGI（Abstraction and Reasoning Corpus）基准测试被视为迈向通用人工智能的重要关卡。此前，Sergey Rodionov 团队开发了一套集成可执行世界模型、计划性简化与精确回放验证的智能体，在 ARC-AGI-3 上取得了显著成绩。然而，这套系统究竟依赖哪项关键能力？最新预印本研究通过消融实验给出了答案。
四层嵌套实验设计
研究团队构建了四个基于 Codex 的智能体变体，层层剥离核心组件：
- 文本基线：仅依赖纯文本推理，无任何世界模型或验证机制。
- 灵活接口可执行世界模型：具备可执行世界模型，但移除回放验证。
- 含简化功能的可执行模型：在上述基础上加入计划性简化能力。
- 固定接口验证变体：保留简化与精确回放验证，要求完全复现记录观察。
所有变体在gpt-5.4 和 gpt-5.5 上以高（high）与极高（xhigh）两种推理强度进行测试，并在探索性实验中引入更强模型 gpt-5.6-sol。
关键发现：组件效果因场景而异
最一致的结论是：更强的模型与更高的推理强度总能带来性能提升。但组件间的相对重要性出人意料：
- 可执行世界模型并非万能：在 gpt-5.5 设置下，纯文本变体反而优于带可执行世界模型的变体，表明强制要求持久化可执行产出可能带来开销。
- 简化功能在多数场景有效：在四种模型-强度组合中，简化功能提升了三种场景的性能，仅在最弱设置下无效。
- 完整验证变体全面领先：尽管消耗更多资源，验证变体在所有设置中均排名第一。
gpt-5.6-sol 下的饱和现象
在 gpt-5.6-sol 的探索实验中，验证变体在两种推理强度下完全解决了所有公开游戏，达到约 99% 的 RHAE，且总行动数仅为人类基线的一半以下。不过，由于该模型发布时间晚于这些游戏，且未见有隐藏集测试结果，这一表现应被视为公开集饱和，而非通用能力的证明。
行业启示
该研究为构建通用推理智能体提供了重要参考：
- 验证机制是关键杠杆，尤其在高资源场景下价值显著。
- 简化与可执行模型是辅助工具，但并非决定性因素。
- 模型能力与推理强度仍是当前性能提升的最稳健路径。
随着 ARC-AGI 基准持续演进，如何在效率与泛化之间取得平衡，将是下一阶段的核心挑战。