एआई ने असंभवता साबित करना सीख लिया है: AWM सिंघुआ बीट्स GPT-6 Astra और Claude Opus 5.5 से जहां वे हार मान लेते हैं

जब किसी कार्य का कोई समाधान नहीं होता तो AI क्या करता है? आमतौर पर यह कहता है "मैं यह नहीं कर सका" - जो कि "मुझे यह नहीं मिला" से अप्रभेद्य है। ट्यूरिंग पुरस्कार विजेता एंड्रयू याओ के नेतृत्व में सिंघुआ विश्वविद्यालय और झेजियांग विश्वविद्यालय की एक टीम ने Algebraic World Model (AWM) की शुरुआत की है, एक प्रणाली जो असंभवता को शाब्दिक रूप से साबित करती है: यह एक अपरिचित वातावरण का गणितीय मॉडल बनाता है, इसे Lean 4 में औपचारिक बनाता है और एक जांच योग्य प्रमाण तैयार करता है कि कोई जीतने वाला क्रम मौजूद नहीं है। ARC-AGI-3 पर दृष्टिकोण सभी 183 स्तरों को साफ़ करता है और Claude Opus 5 का स्कोर 40.7 से बढ़ाकर 99.9 कर देता है।

"यह काम क्यों नहीं किया" एक ख़राब उत्तर है

ARC-AGI-3 25 सार्वजनिक खेलों का एक सेट है जहां एजेंट को न तो नियम मिलते हैं और न ही कोई लक्ष्य। इसे यांत्रिकी पर काम करना होगा और फिर स्तर को साफ़ करना होगा। ये कार्य परीक्षण करते हैं कि क्या कोई मॉडल प्रशिक्षण से समान उदाहरणों को याद करने के बजाय किसी अपरिचित दुनिया के बारे में तर्क कर सकता है।

ठीक यही वह जगह है जहां फ्लैगशिप लड़खड़ाते हैं। दो सीलबंद स्तरों पर एक प्रयोग में - वे स्तर जिनका एक्शन बजट सबसे सस्ती संभव जीत से एक इकाई नीचे है - न तो Claude Opus 5.5 और न ही GPT-6 Astra, दोनों कोडिंग टूल से लैस हैं, ने एक भी प्रमाण तैयार नहीं किया। 12 रनों में उन्होंने कहा कि कार्य केवल पाँच बार असंभव था, और उनमें से चार मामलों में उन्होंने गलत न्यूनतम लागत बताई। स्तर sc25 पर 18 कार्यों के बजट के साथ (सबसे सस्ती जीत की लागत 19), GPT-6 Astra ने 22 चालों की लागत वाला एक मार्ग पाया और निष्कर्ष निकाला कि इससे सस्ता कुछ भी मौजूद नहीं था - बिना किसी प्रमाण के।

कैसे AWM एक खेल को एक प्रमेय में बदल देता है

काम तीन चरणों में होता है. सबसे पहले, अन्वेषण: एजेंट खेलता है, टिप्पणियों को रिकॉर्ड करता है और निष्पादन योग्य Python कोड के रूप में परिकल्पना लिखता है। प्रत्येक परिकल्पना का परीक्षण सभी देखे गए परिवर्तनों के विरुद्ध किया जाता है और यदि एक भी संक्रमण इसका खंडन करता है तो उसे फिर से लिखा जाता है।

फिर संरचना आती है: परिकल्पनाएं टाइप की गई वस्तुएं और साझा नियम बन जाती हैं, जबकि श्रेणी-सिद्धांत-प्रेरित परिवर्तन अतिरेक को दूर कर देते हैं। lp85 गेम में, चार प्रकार के बटनों के बारे में ग्यारह अलग-अलग अवधारणाएँ एक ही नियम, press_permutes में ढह गईं। अंत में, मॉडल को Lean 4 में अनुवादित किया गया है, गणितज्ञ मशीन-चेक करने योग्य प्रमाणों के लिए भाषा का उपयोग करते हैं। वहाँ AWM दो प्रकार के कथनों को सिद्ध करता है: कि एक विशिष्ट मार्ग लक्ष्य तक पहुँचता है, और यह कि किसी दिए गए बजट के तहत कोई विजयी मार्ग मौजूद नहीं है।

मुख्य वाक्यांश "बिल्कुल" है। एक सामान्य मॉडल कहता है, "मुझे यह नहीं मिला।" AWM एक सबूत प्रस्तुत करता है जिसे लाइन दर लाइन जांचा जा सकता है और जो कार्रवाई के हर कानूनी अनुक्रम को खारिज करता है, न कि केवल उन कार्यों को जिन्हें एजेंट ने करने की कोशिश की थी।

छह प्रमाण बनाम शून्य

दो सीलबंद स्तरों पर AWM ने एक बंद Lean प्रमाण प्रस्तुत किया कि छह में से सभी छह रनों में बजट के भीतर जीतना असंभव है। GPT-6 Astra और Claude Opus 5.5 ने बारह रनों में शून्य ऐसे प्रमाण प्रस्तुत किए। न्यूनतम-लागत अनुमान और भी अधिक बता रहे हैं: AWM की छह प्रारंभिक सीमाओं में से चार सही थीं, Claude Opus 5.5 को छह में से एक सही मिली, और GPT-6 Astra को कोई भी सही नहीं मिली। यह बताए जाने के बाद कि एक सस्ती जीत मौजूद है, AWM ने अपने नियमों को संशोधित किया और छह में से छह सही सीमाओं तक पहुंच गया।

183 स्तर, 99.9 अंक और मानव के 43% कार्य

फिर पूरा ARC-AGI-3 सेट आता है। 25 सार्वजनिक खेलों में, AWM के मॉडलों ने Lean को सभी 183 स्तरों के विजयी प्रक्षेप पथों को फिर से चलाने दिया। अनदेखे लेआउट पर जमे हुए नियमों ने सभी 4,160 बदलावों की भविष्यवाणी की; यांत्रिक परिवर्तन के बाद मॉडल ने 4,031 बदलावों को अस्वीकार कर दिया - जिसका अर्थ है कि मॉडल ने देखा कि पुराने निर्देशों के साथ आगे बढ़ने के बजाय दुनिया बदल गई है।

आधार मॉडल के रूप में Claude Opus 5 के साथ, AWM का स्कोर 99.9 है; वही Claude Opus 5 बिना AWM स्कोर 40.7। प्रमाणित विजेता प्रक्षेप पथ मानव आधार रेखा द्वारा खर्च की जाने वाली 43% गतिविधियों का उपयोग करते हैं। दूसरे शब्दों में, सिस्टम केवल खेल को साफ़ नहीं करता है; यह एक औसत इंसान की तुलना में इसे अधिक आर्थिक रूप से साफ़ करता है।

पकड़ कहां है

AWM के प्रमाण एक सीखे हुए मॉडल के बारे में प्रमाण हैं, खेल के बारे में नहीं। स्क्रीन को राज्यों में बदलना Python में होता है, Lean के बाहर। मॉडल खेल की तुलना में अधिक सख्त हो सकता है; तब "असंभव" का प्रमाण मॉडल के लिए सत्य और वास्तविकता के लिए असत्य होगा। लेखक इस बारे में स्पष्ट हैं कि प्रमाण क्या स्थापित करते हैं: नियम प्रत्येक रिकॉर्ड किए गए संक्रमण से सहमत होते हैं, प्रमाणित मार्ग वास्तव में उन नियमों के तहत स्तर को साफ़ करता है, और मुहरबंद स्तरों पर बजट के भीतर कोई जीतने वाला मार्ग मौजूद नहीं होता है।

वास्तविक गेम का लिंक बाहर से स्थापित किया गया है: जमे हुए नियम अनदेखे लेआउट पर 4,160 संक्रमणों की भविष्यवाणी करते हैं, और गेम इंजन की एक विस्तृत खोज सीलबंद सीमाओं की पुष्टि करती है। लेकिन अगर अन्वेषण अधूरा था और एजेंट एक महत्वपूर्ण नियम से चूक गया, तो परिणाम एक स्थानीय सत्य है, न कि पूरी दुनिया का विवरण। लेखक एक लूप का वर्णन करते हैं: अवलोकन, परिकल्पना, प्रयोग, अमूर्तता, प्रमाण और फिर से अवलोकन। पेपर चालू है arXiv (29 अक्टूबर 2026 को प्रस्तुत, 30 अक्टूबर को संशोधित), और रन रिकॉर्ड प्लस एक डेमो हैं परियोजना स्थल पर.

यह खेलों से परे क्यों मायने रखता है?

एजेंट पहले से ही यात्राओं की योजना बनाते हैं, कोड लिखते हैं और कार्यों का प्रबंधन करते हैं। हालाँकि, वास्तविक दुनिया में, उन्हें न केवल "यहाँ समाधान है" बल्कि "कोई समाधान नहीं है, और यहाँ इसका कारण है" भी कहना होगा। अंतर बहुत बड़ा है. "मुझे यह नहीं मिला" का अर्थ है किसी अन्य दृष्टिकोण का प्रयास करना या प्रतीक्षा करना। "मैंने साबित कर दिया कि यह नहीं किया जा सकता" संसाधनों को मुक्त करता है, योजना को बदलता है और एक अंतहीन चक्र को रोकता है।

जेनरेटिव मॉडल पर बने प्लेटफ़ॉर्म के लिए, प्रश्न दूसरी तरफ से समान दिखता है: जितने अधिक कार्य स्वचालित हो जाते हैं, जांच योग्यता उतनी ही महत्वपूर्ण हो जाती है - उत्तर में विश्वास नहीं। एक औपचारिक प्रमाण उस जाँच योग्यता का सबसे चरम, सख्त रूप है। गेम्स में यह पहले से ही काम करता है। योजना, बजट और कोड समीक्षा में, अगला कदम स्पष्ट नियमों के बिना समस्याओं के लिए समान रूप से संक्षिप्त और पठनीय प्रमाण बनाना सीखना है।

उपयोगकर्ताओं के लिए इसका क्या अर्थ है

पेपर से दोनों मॉडल - Claude Opus 5.5 और GPT-6 Astra - उपलब्ध हैं NeuralSpace चैट करें. AWM एक शोध परियोजना है जिसकी कोई सार्वजनिक पहुंच नहीं है, लेकिन आप पहले से ही देख सकते हैं कि आधुनिक मॉडल आपके कार्यों के बारे में कैसे तर्क करते हैं। आपके स्वयं के निर्माण एजेंटों और परियोजनाओं के लिए, यह मौजूद है कोड अनुभाग।

और कुछ वास्तविक आँकड़े। पिछले 30 दिनों (विंडो 03.10–02.11.2026) में NeuralSpace के अज्ञात उत्पादन डेटा के अनुसार, चैट ने 516 सत्रों में 1,513 उपयोगकर्ता संदेशों को संभाला। चार मॉडलों ने 69% उत्तर दिए, जिनमें GPT-5.4 Mini 580 प्रतिक्रियाओं के साथ आगे रहे। भारी फ्लैगशिप को चुनिंदा रूप से चुना जाता है: रोजमर्रा के काम में, गति और कीमत आमतौर पर जीत जाती है, जबकि कठिन समस्याएं एक अलग कहानी है।

अक्सर पूछे जाने वाले प्रश्न

Algebraic World Model क्या है?

एक प्रणाली जो एक अपरिचित वातावरण की खोज करती है, उसका एक गणितीय मॉडल बनाती है और औपचारिक रूप से Lean 4 में उस मॉडल के बारे में बयानों को साबित करती है - उदाहरण के लिए, कि किसी दिए गए कार्य बजट के भीतर एक लक्ष्य पहुंच योग्य नहीं है।

AWM नियमित भाषा मॉडल से किस प्रकार भिन्न है?

एक भाषा मॉडल एक उत्तर प्रस्तावित करता है और उसे दिखाए बिना गलत भी हो सकता है। AWM पहले दुनिया के स्पष्ट नियम बनाता है, फिर उनकी जांच करता है और प्रमाण के रूप में परिणाम निकालता है जिसे एक स्वतंत्र कार्यक्रम सत्यापित कर सकता है। किसी नियम की गलती बाटों में छुपने की बजाय दिखने लगती है।

क्या मैं AWM आज़मा सकता हूँ?

कोई सार्वजनिक संस्करण नहीं है; यह एक शोध परियोजना है. लेकिन जिन आधार मॉडलों पर यह चलता था वे NeuralSpace चैट में उपलब्ध हैं, और आप कोड अनुभाग में अपने स्वयं के प्रयोग बना सकते हैं।