AI a învățat să demonstreze imposibilitatea: AWM de la Tsinghua bate GPT-6 Astra și Claude Opus 5.5 unde renunță

Ce face un AI când o sarcină nu are soluție? De obicei, scrie „Nu am putut să o fac” – care nu se poate distinge de „Nu l-am găsit”. O echipă de la Universitatea Tsinghua și Universitatea Zhejiang condusă de câștigătorul premiului Turing Andrew Yao a introdus Algebraic World Model (AWM), un sistem care dovedește imposibilitatea la propriu: construiește un model matematic al unui mediu nefamiliar, îl formalizează în Lean 4 și produce o secvență verificabilă că nu există. Pe ARC-AGI-3 abordarea șterge toate cele 183 de niveluri și ridică scorul lui Claude Opus 5 de la 40,7 la 99,9.

De ce „nu a funcționat” este un răspuns prost

ARC-AGI-3 este un set de 25 de jocuri publice în care agentul nu primește nici reguli și nici un scop. Trebuie să elaboreze mecanica și apoi să elibereze nivelul. Aceste sarcini testează dacă un model poate argumenta despre o lume necunoscută, mai degrabă decât să-și amintească exemple similare din antrenament.

Exact acolo se poticnesc navele amirale. Într-un experiment pe două niveluri sigilate — niveluri al căror buget de acțiune este cu o unitate sub cel mai ieftin câștig posibil — nici Claude Opus 5.5 și nici GPT-6 Astra, ambele echipate cu instrumente de codificare, nu au produs o singură dovadă. În 12 runde, ei au spus că sarcina a fost imposibilă doar de cinci ori și, în patru dintre aceste cazuri, au numit costul minim greșit. La nivelul sc25 cu un buget de 18 acțiuni (cel mai ieftin câștig costă 19), GPT-6 Astra a găsit o rută care costa 22 de mișcări și a concluzionat că nu există nimic mai ieftin — fără o dovadă.

Cum AWM transformă un joc într-o teoremă

Lucrarea se desfășoară în trei etape. În primul rând, explorarea: agentul joacă, înregistrează observații și scrie ipoteze ca cod executabil Python. Fiecare ipoteză este testată împotriva tuturor tranzițiilor observate și rescrisă dacă chiar și o singură tranziție o contrazice.

Apoi vine structura: ipotezele devin obiecte tipizate și reguli partajate, în timp ce transformările inspirate de teoria categoriilor elimină redundanța. În jocul lp85, unsprezece concepte separate despre patru tipuri de butoane s-au prăbușit într-o singură regulă, press_permutes. În cele din urmă, modelul este tradus în Lean 4, limbajul folosit de matematicieni pentru dovezile verificabile de mașină. Acolo AWM demonstrează două tipuri de afirmații: că o anumită rută atinge obiectivul și că sub un anumit buget nu există nicio rută câștigătoare.

Expresia cheie este „deloc”. Un model normal spune „Nu l-am găsit”. AWM prezintă o dovadă care poate fi verificată rând cu rând și care exclude orice succesiune legală de acțiuni, nu doar pe cele pe care agentul le-a încercat.

Șase dovezi față de zero

Pe cele două niveluri sigilate AWM a produs o dovadă închisă Lean că câștigarea în limita bugetului este imposibilă în toate cele șase runde din șase. GPT-6 Astra și Claude Opus 5.5 au produs zero astfel de dovezi în douăsprezece runde. Estimările costurilor minime sunt și mai clare: patru dintre cele șase limite inițiale ale lui AWM au fost corecte, Claude Opus 5.5 a primit una dintre șase corecte și GPT-6 Astra nu a primit niciuna. După ce i s-a spus că există un câștig mai ieftin, AWM și-a revizuit regulile și a atins șase limite corecte din șase.

183 de niveluri, 99,9 puncte și 43% din acțiunile unui om

Apoi vine setul complet de ARC-AGI-3. În cele 25 de jocuri publice, modelele lui AWM i-au permis lui Lean să reia traiectoria câștigătoare pentru toate cele 183 de niveluri. Pe aspecte nevăzute, regulile înghețate au prezis toate cele 4.160 de tranziții; după o schimbare mecanică, modelul a respins 4.031 de tranziții – ceea ce înseamnă că modelul a observat că lumea s-a schimbat în loc să continue cu vechile instrucțiuni.

Cu Claude Opus 5 ca model de bază, AWM are 99,9; același Claude Opus 5 fără AWM are 40,7. Traiectoriile câștigătoare certificate folosesc 43% din acțiunile pe care le cheltuiește o linie de bază umană. Cu alte cuvinte, sistemul nu doar șterge jocul; îl curăță mai economic decât un om obișnuit.

Unde este captura

Dovezile lui AWM sunt dovezi despre un model învățat, nu despre jocul în sine. Transformarea ecranelor în stări are loc în Python, în afara Lean. Modelul poate ajunge mai strict decât jocul; atunci o dovadă de „imposibil” ar fi adevărată pentru model și falsă pentru realitate. Autorii sunt expliciți cu privire la ceea ce stabilesc dovezile: regulile sunt de acord cu fiecare tranziție înregistrată, traseul certificat chiar eliberează nivelul în conformitate cu acele reguli, iar la nivelurile sigilate nu există nicio cale câștigătoare în buget.

Legătura cu jocul real se stabilește din exterior: regulile înghețate prevăd 4.160 de tranziții pe machete nevăzute, iar o căutare exhaustivă a motorului de joc confirmă pragurile sigilate. Dar dacă explorarea a fost incompletă și agentul a ratat o regulă importantă, rezultatul este un adevăr local, nu o descriere a întregii lumi. Autorii descriu o buclă: observație, ipoteză, experiment, abstractizare, demonstrație și observare din nou. Hârtia este pe arXiv (depus la 29 octombrie 2026, revizuit la 30 octombrie) și înregistrările rulate plus o demonstrație sunt pe site-ul proiectului.

De ce contează asta dincolo de jocuri

Agenții planifică deja călătorii, scriu cod și gestionează sarcini. În lumea reală, totuși, ei vor trebui să spună nu numai „aici este soluția”, ci „nu există nicio soluție și iată de ce”. Diferența este uriașă. „Nu l-am găsit” înseamnă să încerci o altă abordare sau să aștepți. „Am dovedit că nu se poate” eliberează resurse, schimbă planul și oprește o buclă nesfârșită.

Pentru o platformă construită pe modele generative, întrebarea arată la fel și din cealaltă parte: cu cât se automatizează mai multe sarcini, cu atât devine mai importantă verificarea - nu încrederea într-un răspuns. O dovadă formală este cea mai extremă, cea mai strictă formă a acestei verificări. În jocuri deja funcționează. În planificare, bugetare și revizuire a codului, următorul pas este să înveți să construiești dovezi la fel de scurte și lizibile pentru probleme fără reguli clare.

Ce înseamnă pentru utilizatori

Ambele modele din hârtie — Claude Opus 5.5 și GPT-6 Astra — sunt disponibile în NeuralSpace Chat. AWM este un proiect de cercetare fără acces public, dar puteți vedea deja cum modelele moderne își justifică propriile sarcini. Pentru agenții de construcții și proiectele proprii, există Cod secțiune.

Și puțină statistică reală. Conform datelor de producție anonimizate de la NeuralSpace în ultimele 30 de zile (fereastra 03.10–02.11.2026), chatul a gestionat 1.513 mesaje de utilizator în 516 sesiuni. Patru modele au reprezentat 69% din răspunsuri, cu GPT-5.4 Mini conducând la 580 de răspunsuri. Navele emblematice grele sunt alese selectiv: în munca de zi cu zi, viteza și prețul de obicei câștigă, în timp ce problemele grele sunt o poveste separată.

FAQ

Ce este Algebraic World Model?

Un sistem care explorează un mediu necunoscut, construiește un model matematic al acestuia și demonstrează în mod formal afirmațiile despre acel model în Lean 4 — de exemplu, că un obiectiv nu este atins într-un anumit buget de acțiune.

Cum este AWM diferit de un model de limbaj obișnuit?

Un model de limbaj propune un răspuns și poate greși fără a-l arăta. AWM mai întâi construiește reguli explicite ale lumii, apoi le verifică și derivă consecințe ca dovadă că un program independent poate verifica. O greșeală într-o regulă este vizibilă în loc de ascunsă în greutăți.

Pot să încerc AWM?

Nu există o versiune publică; este un proiect de cercetare. Dar modelele de bază pe care a rulat sunt disponibile în NeuralSpace Chat și vă puteți construi propriile experimente în secțiunea Cod.