Η τεχνητή νοημοσύνη έμαθε να αποδεικνύει την αδυναμία: AWM από τον Tsinghua κερδίζει GPT-6 Astra και Claude Opus 5.5 όπου τα παρατάνε

Τι κάνει ένα AI όταν μια εργασία δεν έχει λύση; Συνήθως λέει "Δεν μπορούσα να το κάνω" - το οποίο δεν διακρίνεται από το "Δεν το βρήκα". Μια ομάδα από το Πανεπιστήμιο Tsinghua και το Πανεπιστήμιο Zhejiang με επικεφαλής τον νικητή του βραβείου Turing Andrew Yao εισήγαγε το Algebraic World Model (AWM), ένα σύστημα που αποδεικνύει κυριολεκτικά αδύνατον: δημιουργεί ένα μαθηματικό μοντέλο ενός άγνωστου περιβάλλοντος, το επισημοποιεί σε Lean 4 σειρές ελέγχου και παράγει μια σειρά νικητών. Στο ARC-AGI-3 η προσέγγιση διαγράφει και τα 183 επίπεδα και ανεβάζει τη βαθμολογία του Claude Opus 5 από 40,7 σε 99,9.

Γιατί "δεν λειτούργησε" είναι μια κακή απάντηση

Το ARC-AGI-3 είναι ένα σύνολο 25 δημόσιων παιχνιδιών όπου ο πράκτορας δεν παίρνει ούτε κανόνες ούτε στόχο. Πρέπει να επεξεργαστεί τους μηχανισμούς και μετά να καθαρίσει το επίπεδο. Αυτές οι εργασίες ελέγχουν εάν ένα μοντέλο μπορεί να συλλογιστεί για έναν άγνωστο κόσμο αντί να ανακαλεί παρόμοια παραδείγματα από την εκπαίδευση.

Εκεί ακριβώς σκοντάφτουν οι ναυαρχίδες. Σε ένα πείραμα σε δύο σφραγισμένα επίπεδα — επίπεδα των οποίων ο προϋπολογισμός δράσης είναι μία μονάδα κάτω από τη φθηνότερη δυνατή νίκη — ούτε το Claude Opus 5.5 ούτε το GPT-6 Astra, και τα δύο εξοπλισμένα με εργαλεία κωδικοποίησης, δεν παρήγαγαν μία μόνο απόδειξη. Σε 12 διαδρομές είπαν ότι η εργασία ήταν αδύνατη μόνο πέντε φορές και σε τέσσερις από αυτές τις περιπτώσεις ονόμασαν λάθος ελάχιστο κόστος. Στο επίπεδο sc25 με προϋπολογισμό 18 ενεργειών (η φθηνότερη νίκη κοστίζει 19), ο GPT-6 Astra βρήκε μια διαδρομή που κοστίζει 22 κινήσεις και κατέληξε στο συμπέρασμα ότι δεν υπήρχε τίποτα φθηνότερο — χωρίς απόδειξη.

Πώς το AWM μετατρέπει ένα παιχνίδι σε θεώρημα

Η εργασία γίνεται σε τρία στάδια. Πρώτον, εξερεύνηση: ο πράκτορας παίζει, καταγράφει παρατηρήσεις και γράφει υποθέσεις ως εκτελέσιμο κώδικα Python. Κάθε υπόθεση ελέγχεται έναντι όλων των παρατηρούμενων μεταπτώσεων και ξαναγράφεται αν έστω και μία μετάβαση έρχεται σε αντίθεση με αυτήν.

Έπειτα έρχεται η δομή: οι υποθέσεις γίνονται δακτυλογραφημένα αντικείμενα και κοινοί κανόνες, ενώ οι μετασχηματισμοί εμπνευσμένοι από τη θεωρία κατηγοριών αφαιρούν τον πλεονασμό. Στο παιχνίδι lp85, έντεκα ξεχωριστές έννοιες σχετικά με τέσσερα είδη κουμπιών κατέρρευσαν σε έναν μόνο κανόνα, press_permutes. Τέλος, το μοντέλο μεταφράζεται σε Lean 4, τη γλώσσα που χρησιμοποιούν οι μαθηματικοί για μηχανικά ελεγχόμενες αποδείξεις. Το AWM αποδεικνύει δύο ειδών δηλώσεις: ότι μια συγκεκριμένη διαδρομή επιτυγχάνει τον στόχο και ότι με δεδομένο προϋπολογισμό δεν υπάρχει καθόλου νικητήρια διαδρομή.

Η φράση κλειδί είναι «καθόλου». Ένα κανονικό μοντέλο λέει "Δεν το βρήκα". Το AWM παρουσιάζει μια απόδειξη που μπορεί να ελεγχθεί γραμμή προς γραμμή και που αποκλείει κάθε νομική ακολουθία ενεργειών, όχι μόνο αυτές που έτυχε να δοκιμάσει ο πράκτορας.

Έξι αποδείξεις έναντι μηδέν

Στα δύο σφραγισμένα επίπεδα AWM παρήγαγε μια κλειστή απόδειξη Lean ότι η νίκη εντός του προϋπολογισμού είναι αδύνατη και στις έξι σειρές από τις έξι. Τα GPT-6 Astra και Claude Opus 5.5 παρήγαγαν μηδέν τέτοιες αποδείξεις σε δώδεκα διαδρομές. Οι εκτιμήσεις ελάχιστου κόστους είναι ακόμη πιο ενδεικτικές: τέσσερα από τα έξι αρχικά όρια του AWM ήταν σωστά, το Claude Opus 5.5 είχε ένα από τα έξι σωστά και το GPT-6 Astra κανένα. Αφού του είπαν ότι υπήρχε φθηνότερη νίκη, το AWM αναθεώρησε τους κανόνες του και έφτασε τα έξι σωστά όρια από τα έξι.

183 επίπεδα, 99,9 βαθμοί και 43% των πράξεων ενός ανθρώπου

Μετά έρχεται το πλήρες σετ ARC-AGI-3. Στα 25 δημόσια παιχνίδια, τα μοντέλα του AWM επιτρέπουν στο Lean να επαναλάβουν τις νικητήριες τροχιές και των 183 επιπέδων. Σε μη εμφανείς διατάξεις, οι παγωμένοι κανόνες προέβλεπαν και τις 4.160 μεταβάσεις. Μετά από μια μηχανική αλλαγή, το μοντέλο απέρριψε 4.031 μεταβάσεις — που σημαίνει ότι το μοντέλο παρατήρησε ότι ο κόσμος είχε αλλάξει αντί να συνεχίσει με τις παλιές οδηγίες.

Με το Claude Opus 5 ως βασικό μοντέλο, το AWM βαθμολογείται με 99,9. το ίδιο Claude Opus 5 χωρίς AWM βαθμολογείται με 40,7. Οι πιστοποιημένες νικητήριες τροχιές χρησιμοποιούν το 43% των ενεργειών που δαπανά ένας άνθρωπος. Με άλλα λόγια, το σύστημα δεν καθαρίζει απλώς το παιχνίδι. το ξεκαθαρίζει πιο οικονομικά από έναν μέσο άνθρωπο.

Εκεί που είναι το αλιεύμα

Οι αποδείξεις του AWM είναι αποδείξεις για ένα μαθημένο μοντέλο, όχι για το ίδιο το παιχνίδι. Η μετατροπή των οθονών σε καταστάσεις γίνεται σε Python, εκτός Lean. Το μοντέλο μπορεί να καταλήξει πιο αυστηρό από το παιχνίδι. τότε μια απόδειξη του «αδύνατου» θα ήταν αληθινή για το μοντέλο και ψευδής για την πραγματικότητα. Οι συγγραφείς είναι ξεκάθαροι για το τι αποδεικνύουν οι αποδείξεις: οι κανόνες συμφωνούν με κάθε καταγεγραμμένη μετάβαση, η πιστοποιημένη διαδρομή εκκαθαρίζει πραγματικά το επίπεδο σύμφωνα με αυτούς τους κανόνες και σε σφραγισμένα επίπεδα δεν υπάρχει νικητήρια διαδρομή εντός του προϋπολογισμού.

Η σύνδεση με το πραγματικό παιχνίδι εδραιώνεται απ' έξω: οι παγωμένοι κανόνες προβλέπουν 4.160 μεταβάσεις σε μη εμφανείς διατάξεις και μια εξαντλητική αναζήτηση στη μηχανή του παιχνιδιού επιβεβαιώνει τα σφραγισμένα κατώφλια. Αλλά αν η εξερεύνηση ήταν ατελής και ο πράκτορας έχασε έναν σημαντικό κανόνα, το αποτέλεσμα είναι μια τοπική αλήθεια, όχι μια περιγραφή όλου του κόσμου. Οι συγγραφείς περιγράφουν έναν βρόχο: παρατήρηση, υπόθεση, πείραμα, αφαίρεση, απόδειξη και παρατήρηση ξανά. Το χαρτί είναι ανοιχτό arXiv (υποβλήθηκε στις 29 Οκτωβρίου 2026, αναθεωρήθηκε στις 30 Οκτωβρίου) και οι εγγραφές εκτέλεσης συν μια επίδειξη είναι στον χώρο του έργου.

Γιατί αυτό έχει σημασία πέρα ​​από τα παιχνίδια

Οι πράκτορες ήδη σχεδιάζουν ταξίδια, γράφουν κώδικα και διαχειρίζονται εργασίες. Στον πραγματικό κόσμο, όμως, θα πρέπει να πουν όχι μόνο «εδώ είναι η λύση», αλλά «δεν υπάρχει λύση, και να γιατί». Η διαφορά είναι τεράστια. «Δεν το βρήκα» σημαίνει να δοκιμάσω άλλη προσέγγιση ή να περιμένω. Το «Απέδειξα ότι δεν μπορεί να γίνει» απελευθερώνει πόρους, αλλάζει το σχέδιο και σταματά έναν ατελείωτο κύκλο.

Για μια πλατφόρμα που βασίζεται σε μοντέλα παραγωγής, η ερώτηση φαίνεται ίδια από την άλλη πλευρά: όσο περισσότερες εργασίες αυτοματοποιούνται, τόσο πιο σημαντική γίνεται η δυνατότητα ελέγχου — η έλλειψη εμπιστοσύνης στην απάντηση. Μια επίσημη απόδειξη είναι η πιο ακραία, αυστηρότερη μορφή αυτής της δυνατότητας ελέγχου. Στα παιχνίδια λειτουργεί ήδη. Στον προγραμματισμό, τον προϋπολογισμό και την αναθεώρηση κώδικα, το επόμενο βήμα είναι να μάθετε να δημιουργείτε εξίσου σύντομες και ευανάγνωστες αποδείξεις για προβλήματα χωρίς σαφείς κανόνες.

Τι σημαίνει για τους χρήστες

Και τα δύο μοντέλα από χαρτί — Claude Opus 5.5 και GPT-6 Astra — είναι διαθέσιμα σε NeuralSpace Συνομιλία. Το AWM είναι ένα ερευνητικό έργο χωρίς δημόσια πρόσβαση, αλλά μπορείτε ήδη να δείτε πώς συλλογίζονται τα σύγχρονα μοντέλα για τις δικές σας εργασίες. Για κατασκευαστικούς πράκτορες και δικά σας έργα, υπάρχει το Κώδικας τμήμα.

Και λίγο αληθινά στατιστικά. Σύμφωνα με ανώνυμα δεδομένα παραγωγής από το NeuralSpace τις τελευταίες 30 ημέρες (παράθυρο 03.10–02.11.2026), η συνομιλία χειρίστηκε 1.513 μηνύματα χρήστη σε 516 περιόδους σύνδεσης. Τέσσερα μοντέλα αντιπροσώπευαν το 69% των απαντήσεων, με GPT-5.4 Mini να προηγούνται στις 580 απαντήσεις. Οι βαριές ναυαρχίδες επιλέγονται επιλεκτικά: στην καθημερινή εργασία συνήθως κερδίζουν η ταχύτητα και η τιμή, ενώ τα δύσκολα προβλήματα αποτελούν ξεχωριστή ιστορία.

FAQ

Τι είναι το Algebraic World Model;

Ένα σύστημα που εξερευνά ένα άγνωστο περιβάλλον, δημιουργεί ένα μαθηματικό μοντέλο του και αποδεικνύει επίσημα δηλώσεις σχετικά με αυτό το μοντέλο στο Lean 4 — για παράδειγμα, ότι ένας στόχος είναι απρόσιτος εντός ενός δεδομένου προϋπολογισμού ενέργειας.

Σε τι διαφέρει το AWM από ένα κανονικό γλωσσικό μοντέλο;

Ένα γλωσσικό μοντέλο προτείνει μια απάντηση και μπορεί να είναι λάθος χωρίς να την δείχνει. Το AWM αρχικά δημιουργεί σαφείς κανόνες του κόσμου, στη συνέχεια τους ελέγχει και αντλεί συνέπειες ως απόδειξη ότι ένα ανεξάρτητο πρόγραμμα μπορεί να επαληθεύσει. Ένα λάθος σε έναν κανόνα είναι ορατό αντί να κρύβεται στα βάρη.

Μπορώ να δοκιμάσω το AWM;

Δεν υπάρχει δημόσια έκδοση. είναι ένα ερευνητικό έργο. Ωστόσο, τα βασικά μοντέλα στα οποία εκτελούσε είναι διαθέσιμα στο NeuralSpace Chat και μπορείτε να δημιουργήσετε τα δικά σας πειράματα στην ενότητα Κώδικας.