La IA ha aprendido a demostrar la imposibilidad: AWM de Tsinghua supera a GPT-6 Astra y Claude Opus 5.5 donde se dan por vencidos

¿Qué hace una IA cuando una tarea no tiene solución? Por lo general, dice "No pude hacerlo", lo cual es indistinguible de "No lo encontré". Un equipo de la Universidad de Tsinghua y la Universidad de Zhejiang dirigido por el ganador del Premio Turing Andrew Yao ha introducido el Algebraic World Model (AWM), un sistema que demuestra la imposibilidad literalmente: construye un modelo matemático de un entorno desconocido, lo formaliza en Lean 4 y produce una prueba verificable de que no existe una secuencia ganadora. En ARC-AGI-3, el enfoque supera los 183 niveles y eleva la puntuación de Claude Opus 5 de 40,7 a 99,9.

Por qué "no funcionó" es una mala respuesta

ARC-AGI-3 es un conjunto de 25 juegos públicos donde el agente no obtiene reglas ni objetivo. Tiene que resolver la mecánica y luego despejar el nivel. Estas tareas prueban si un modelo puede razonar sobre un mundo desconocido en lugar de recordar ejemplos similares del entrenamiento.

Ahí es exactamente donde tropiezan los buques insignia. En un experimento en dos niveles sellados (niveles cuyo presupuesto de acción está una unidad por debajo de la ganancia más barata posible), ni Claude Opus 5.5 ni GPT-6 Astra, ambos equipados con herramientas de codificación, produjeron una sola prueba. En 12 ejecuciones dijeron que la tarea era imposible sólo cinco veces, y en cuatro de esos casos mencionaron el costo mínimo equivocado. En el nivel sc25 con un presupuesto de 18 acciones (la victoria más barata cuesta 19), GPT-6 Astra encontró una ruta que costaba 22 movimientos y concluyó que no existía nada más barato, sin pruebas.

Cómo AWM convierte un juego en un teorema

El trabajo se desarrolla en tres etapas. Primero, exploración: el agente juega, registra observaciones y escribe hipótesis como código ejecutable Python. Cada hipótesis se compara con todas las transiciones observadas y se reescribe si incluso una transición la contradice.

Luego viene la estructura: las hipótesis se convierten en objetos tipificados y reglas compartidas, mientras que las transformaciones inspiradas en la teoría de categorías eliminan la redundancia. En el juego lp85, once conceptos separados sobre cuatro tipos de botones se fusionaron en una sola regla, press_permutes. Finalmente, el modelo se traduce al Lean 4, el lenguaje que utilizan los matemáticos para las pruebas verificables por máquina. Allí AWM demuestra dos tipos de afirmaciones: que una ruta específica llega a la meta y que bajo un presupuesto determinado no existe ninguna ruta ganadora.

La frase clave es "en absoluto". Un modelo normal dice “no lo encontré”. AWM presenta una prueba que se puede comprobar línea por línea y que descarta toda secuencia legal de acciones, no sólo las que el agente intentó intentar.

Seis pruebas versus cero

En los dos niveles sellados, AWM produjo una prueba cerrada Lean de que ganar dentro del presupuesto es imposible en las seis series de seis. GPT-6 Astra y Claude Opus 5.5 no produjeron ninguna prueba de este tipo en doce ejecuciones. Las estimaciones de costo mínimo son aún más reveladoras: cuatro de los seis límites iniciales de AWM eran correctos, Claude Opus 5.5 acertó uno de seis y GPT-6 Astra no obtuvo ninguno. Después de que le dijeron que existía una ganancia más barata, AWM revisó sus reglas y alcanzó seis límites correctos de seis.

183 niveles, 99,9 puntos y 43% de las acciones de un humano.

Luego viene el set completo de ARC-AGI-3. En los 25 juegos públicos, los modelos de AWM permiten a Lean repetir las trayectorias ganadoras de los 183 niveles. En diseños invisibles, las reglas congeladas predijeron las 4.160 transiciones; Después de un cambio mecánico, el modelo rechazó 4.031 transiciones, lo que significa que el modelo notó que el mundo había cambiado en lugar de continuar con las antiguas instrucciones.

Con Claude Opus 5 como modelo base, AWM obtiene una puntuación de 99,9; lo mismo Claude Opus 5 sin AWM obtiene una puntuación de 40,7. Las trayectorias ganadoras certificadas utilizan el 43% de las acciones que realiza una base humana. En otras palabras, el sistema no sólo completa el juego; lo elimina de manera más económica que un humano promedio.

donde esta la captura

Las pruebas de AWM son pruebas sobre un modelo aprendido, no sobre el juego en sí. La conversión de pantallas en estados ocurre en Python, fuera de Lean. El modelo puede acabar siendo más estricto que el juego; entonces una prueba de “imposible” sería verdadera para el modelo y falsa para la realidad. Los autores son explícitos sobre lo que establecen las pruebas: las reglas concuerdan con cada transición registrada, la ruta certificada realmente supera el nivel bajo esas reglas, y en los niveles sellados no existe una ruta ganadora dentro del presupuesto.

El vínculo con el juego real se establece desde fuera: las reglas congeladas predicen 4.160 transiciones en diseños invisibles y una búsqueda exhaustiva en el motor del juego confirma los umbrales sellados. Pero si la exploración fue incompleta y el agente omitió una regla importante, el resultado es una verdad local, no una descripción del mundo entero. Los autores describen un bucle: observación, hipótesis, experimento, abstracción, prueba y nuevamente observación. el papel esta encendido arXiv (presentado el 29 de octubre de 2026, revisado el 30 de octubre), y se incluyen registros de ejecución más una demostración. en el sitio del proyecto.

Por qué esto importa más allá de los juegos

Los agentes ya planifican viajes, escriben códigos y gestionan tareas. Sin embargo, en el mundo real tendrán que decir no sólo “aquí está la solución”, sino “no hay solución y he aquí el porqué”. La diferencia es enorme. “No lo encontré” significa intentar otro enfoque o esperar. “Probé que no se puede hacer” libera recursos, cambia el plan y detiene un bucle sin fin.

Para una plataforma construida sobre modelos generativos, la pregunta parece la misma desde el otro lado: cuantas más tareas se automatizan, más importante se vuelve la capacidad de verificación, no la confianza en una respuesta. Una prueba formal es la forma más extrema y estricta de esa verificabilidad. En juegos ya funciona. En la planificación, la elaboración de presupuestos y la revisión de códigos, el siguiente paso es aprender a crear pruebas igualmente breves y legibles para problemas sin reglas claras.

Qué significa para los usuarios

Ambos modelos del artículo, Claude Opus 5.5 y GPT-6 Astra, están disponibles en NeuralSpace Charla. AWM es un proyecto de investigación sin acceso público, pero ya puedes ver cómo los modelos modernos razonan sobre tus propias tareas. Para agentes de construcción y proyectos propios, existe la Código sección.

Y un poco de estadísticas reales. Según datos de producción anónimos de NeuralSpace durante los últimos 30 días (ventana del 03.10 al 02.11.2026), el chat manejó 1.513 mensajes de usuarios en 516 sesiones. Cuatro modelos representaron el 69% de las respuestas, con GPT-5.4 Mini liderando con 580 respuestas. Los buques insignia pesados ​​se eligen de forma selectiva: en el trabajo diario, la velocidad y el precio suelen ganar, mientras que los problemas difíciles son una historia aparte.

Preguntas frecuentes

¿Qué es el Algebraic World Model?

Un sistema que explora un entorno desconocido, construye un modelo matemático del mismo y prueba formalmente afirmaciones sobre ese modelo en Lean 4 (por ejemplo, que una meta es inalcanzable dentro de un presupuesto de acción determinado).

¿En qué se diferencia AWM de un modelo de lenguaje normal?

Un modelo de lenguaje propone una respuesta y puede equivocarse sin mostrarla. AWM primero construye reglas explícitas del mundo, luego las verifica y deriva consecuencias como prueba que un programa independiente puede verificar. Un error en una regla es visible en lugar de estar oculto en los pesos.

¿Puedo probar AWM?

No existe una versión pública; es un proyecto de investigación. Pero los modelos base en los que se ejecutó están disponibles en NeuralSpace Chat y puedes crear tus propios experimentos en la sección Código.