💻 computer science

Tycho: Active Abstraction with Programmatic World Models for ARC-AGI-3

该论文介绍了 Tycho，这是一个通过将环境形式化为参数化 Moore 机并利用“主动抽象”来动态构建、测试和修复可执行世界模型的编码智能体系统，旨在解决 ARC-AGI-3 挑战，并在所有 183 个关卡上实现了与人类重放完全一致的效率，同时显著降低了动作计数，优于人类基准。

原作者： Jens Lehmann, Andrei Aioanei, Sahar Vahdati

发布于 2026-07-31

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jens Lehmann, Andrei Aioanei, Sahar Vahdati

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你被丢进了一款全新的电子游戏，没有说明书，没有教程，也无法寻求帮助。你只能看到屏幕，按下按钮，然后观察接下来的变化。为了获胜，你必须弄清楚隐藏的规则，猜测目标，并且必须在做这一切时绝不浪费任何一次操作，因为每一次按键都会扣除你的分数。这就是**主动抽象（active abstraction）**的挑战：通过在世界中实践来学习其运作方式，而不是仅仅死记硬背答案。科学家称之为“技能获取（skill acquisition）”，这基本上是指通过仅有的几次尝试就能快速学会一项新技巧的能力，而不是需要练习一百万次。核心问题在于：计算机能否像人类一样，通过观察、猜测规则，然后利用这些规则进行预判，从而玩转这些神秘的游戏？

这篇论文介绍了一个名为 Tycho 的系统（以天文学家第谷·布拉赫命名，他精确地绘制了星图，使得后人能够发现宇宙规律），旨在回答这个问题。Tycho 是一个“编码智能体（coding agent）”，旨在玩一组被称为 ARC-AGI-3 的复杂谜题。它不仅仅是猜测下一步的操作，而是尝试编写一段小型的计算机程序，作为游戏本身的模拟器。它观察游戏，编写代码来预测如果按下某个按钮会发生什么，检查该代码是否正确，然后利用该代码来规划其移动路径。研究人员测试了 Tycho 使用该模拟器的四种不同方式：完全忽略它、让主脑自己编写代码、请求一个助手机器人编写代码，或者在出错时自动修复代码。

结果令人惊讶且富有层次感。团队发现，仅仅拥有一个模拟器是不够的；何时使用它的“策略”最为关键。表现最好的方法是请求式委托（actor-requested delegation），即主智能体仅在认为有必要时，才会请求一名专家助手来构建游戏模拟器。这种方法在初步测试中获得了最高的效率。当他们将这一获胜策略交给目前最强大的两个 AI 模型（GPT-5.6 Sol 和 Opus 5）时，结果令人惊叹：它们解决了 25 个公开游戏中的 100% 以及其中的所有 183 个关卡。Opus 5 模型表现得尤为高效，完成相同关卡时比平均人类玩家减少了 61% 的动作次数。

然而，论文也警告了一种常见的陷阱。他们发现，构建一个能完美预测游戏中每一个像素的模拟器（高准确度）并不保证你一定会赢。有一种被称为“自动修复（automatic repair）”的策略，虽然构建出的模拟器在预测下一步发生的事情时极其准确，但智能体的表现依然糟糕，因为它不知道目标是什么，也不知道何时该停止使用模拟器。这就像拥有一张完美的迷宫地图，却不知道出口在哪里。论文得出结论：真正的智能不仅仅在于构建一个完美的模型，更在于一种“主动抽象”的能力，即决定何时构建模型、何时信任模型，以及何时忽略模型并直接行动。Tycho 表明，通过将游戏视为一套待发现和测试的规则，而非仅仅是一个待解决的图像，AI 可以像人类一样高效地学习玩转新游戏。

技术摘要：Tycho —— 用于 ARC-AGI-3 的程序化世界模型的主动抽象

问题定义

本文针对 ARC-AGI-3 进行研究，这是一个交互式基准测试，智能体必须仅通过观察和行动，从陌生的游戏中推断出规则、隐藏状态和目标。与静态推理任务不同，ARC-AGI-3 施加了严格的行动预算（action budget）：每一次移动都会计入得分，智能体必须在探索（收集证据）与利用（完成关卡）之间取得平衡。

核心挑战是主动抽象（active abstraction）：智能体不仅必须决定环境的真实现状是什么，还必须决定何时值得投入成本去构建模型、使用模型进行规划、在失败时修复模型，或者完全绕过模型。论文将这些环境形式化为参数化的渲染确定性 Moore 机（parameterized rendered deterministic Moore machines），区分了底层状态（包括计数器或摄像机偏移等隐藏变量）、转移动力学（transition dynamics）以及观测生成（渲染）。一个关键难点在于，相同的渲染网格可能对应不同的底层状态（非马尔可夫观测），这要求智能体维护交互历史以消除歧义。

方法论：Tycho 系统

Tycho 是一个旨在在交互过程中构建并利用程序化世界模型（programmatic world models）的编码智能体系统。它在一个共享的任务时间架构（图 1）上运行，该架构包含一个执行者（actor）（负责推理并提交行动）和一个可选的工作台（workbench）（负责构建或修复可执行模型）。

1. 形式化框架

渲染 Moore 机： 环境被建模为一个确定性系统，其中动作更新底层状态 $s$ ，状态产生观测（网格）、可用动作和结果。转移可能会在稳定到下一个决策帧之前发射中间动画帧（瞬态证据）。
类型化交互历史： 系统记录了结构化的决策帧、动作、瞬态帧和终止结果。这可以防止智能体将动画帧与决策点混淆。
部分预测： 为了处理不确定性，模型的渲染器可以对无法确定的像素进行弃权（abstain）（返回 $\perp$ ），或者返回一组受限的**观测变体（observation variants）**以处理量化歧义（例如，代表隐藏计数器的 HUD 进度条）。

2. 可执行假设语言

Tycho 将世界模型表示为实现以下四个核心功能的 Python 程序：

init_state：将初始网格和关卡索引映射到建模状态。
transition：给定一个动作，推进状态。
render：将状态映射回网格（支持弃权）。
outcome：将状态分类为进行中、关卡完成或游戏结束。
该模型是自由形式的，允许智能体根据特定的游戏机制选择状态表示（例如，对象列表、元胞自动机、计数器）。

3. 元推理策略

论文评估了四种用于管理执行者与模型之间交互的不同策略：

无世界模型（直接推理）： 执行者直接对证据进行推理，而不构建可执行的模型。
单一模式（执行者自创）： 执行者既负责推理，也负责根据需要编辑模型。
编排者模式（执行者请求委派）： 执行者可以请求一个专门的**构建子智能体（builder subagent）**来构建或修复模型。
触发模式（自动修复）： 当验证失败（例如，转移不匹配、覆盖度不足）或在关卡边界时，测试框架会自动调用构建器。

4. 验证与规划

验证： 通过重放记录的交互历史来测试模型。如果模型预测的网格在所有声明的单元格上与观测到的网格匹配（或匹配其中一个允许的变体），则该转移被“接受”。
规划： 一旦模型经过验证，系统会在状态空间中搜索通往 level_complete 的动作序列。生成的计划会针对模型的内部状态进行验证，并逐步执行，执行者在每次行动后重新验证状态。

核心贡献

形式化： 论文将 ARC-AGI-3 形式化为带有转移发射的渲染确定性 Moore 机的主动识别过程，明确处理了隐藏状态、非单射观测以及交互成本。
程序化世界模型： 它定义了一种自由形式的可执行假设语言，允许智能体将规则外化为可检查、可编辑的 Python 代码，支持部分预测和状态抽象。
策略基准测试： 论文在相同的推理预算下，对四种模型维护策略（无模型、单一、编排者、触发）进行了匹配比较，隔离了模型分配（谁来构建模型以及何时构建）对性能的影响，而非仅仅是模型合成能力。
指标区分： 该工作区分了转移准确性（模拟器是否重现了历史记录）与游戏表现（模型是否有助于获胜）。它证明了高转移准确性并不保证高分，如果模型未能识别目标或策略分配资源不当。
人类适应环路： 它描述了一个过程，即利用智能体运行中的元反射（meta-reflections）来迭代优化智能体的测试框架（工具、记忆、验证），然后再将其冻结用于未来的运行。

实验结果

评估是在 25 个公开 ARC-AGI-3 游戏（共 183 个关卡）上进行的，使用了前沿大模型（Claude Opus 4.8, GPT-5.6 Sol, 和 Opus 5）。

匹配策略选择 (Opus 4.8)

直接推理（无模型）： 达到了 79.07 RHAE（相对人类行动效率）。
单一模式（执行者自创）： 达到了 85.36 RHAE。
编排者模式（委派）： 达到了 88.49 RHAE，是匹配策略中最高的。
触发模式（自动修复）： 达到了 83.07 RHAE。尽管该模式产生的模型拥有最高的接受转移匹配度（88.1%），但其表现不及编排者模式。这一差距说明，仅仅准确模拟动力学对于成功是不够的，还需要正确识别目标并高效分配资源。

前沿模型评估 (选定的编排者策略)

使用更强的模型采用编排者策略：

GPT-5.6 Sol： 达到了 100.00 RHAE，在 7,766 个计分动作内完成了全部 25 个游戏和 183 个关卡。
Opus 5： 达到了 100.00 RHAE，在 6,641 个动作内完成了全部 183 个关卡（比 GPT-5.6 Sol 少用了 14.5% 的动作）。
效率： Opus 5 使用的计分动作数比人类基准总和少了 61%。
成本： Opus 5 的运行估计成本为 $2.99k（API 等效值），显著低于其他系统的同类运行（例如，Rodionov 的验证运行在类似条件下估计为 $13.6k–$ 15.5k）。

定性分析

案例研究（如 cd82, tu93, sk48）显示：

成功： 模型可以用经过验证的序列取代试错法（如 cd82），并支持在缩减的状态空间上进行搜索（如 tu93）。
失败： 如果目标识别错误，即使转移模型很准确也会失败（如 sk48，其中模型完美模拟了机制，但未能识别目标）。
修复： 系统能够成功定位不匹配之处（例如 tu93 中意外的巡逻爆炸），并修复模型以实现重新规划。

意义与主张

论文声称主动抽象是通用智能的一个关键组成部分：即从代价高昂的交互中生成可测试模型，并决定何时使用它们的能力。

选择性建模： 结果表明，世界建模在委派给专家（编排者）时最为有效，而不是强制执行（触发）或完全由执行者处理。
准确性 vs. 效用： 高保真度的环境转移模拟是必要的，但不是充分的；系统还必须正确推断目标并高效分配计算资源。
系统架构： 从 79.07 到 100.00 RHAE 的性能提升归功于复合智能体系统（测试框架 + 模型 + 策略），而非仅仅是基础模型本身。论文强调，通用智能取决于能够将有限的经验组织成任务模型，并能适应支持该过程的机制。
谦逊态度： 作者承认这些结果是对固定公开测试集的表征。他们指出，目前的适应环路是由人类介导的（作者根据智能体笔记优化框架），未来的工作必须实现这种外层环路的自动化，以实现真正的自我改进。他们还提醒，高推理成本（API 调用）是用未计分的计算量换取计分动作的效率，这种权衡与生物效率有所不同。