ИИ научился доказывать невозможность: AWM из Цинхуа обходит GPT-6 Astra и Claude Opus 5.5 там, где они сдаются

Что делает ИИ, когда задача не имеет решения? Чаще всего говорит «не получилось» — и это ничем не отличается от «я не нашёл». Команда из Университета Цинхуа и Чжэцзянского университета во главе с лауреатом премии Тьюринга Эндрю Яо показала систему Algebraic World Model (AWM), которая доказывает невозможность буквально: строит математическую модель незнакомой среды, формализует её в Lean 4 и предъявляет проверяемое доказательство, что выигрышной последовательности не существует. На наборе ARC-AGI-3 подход проходит все 183 уровня и поднимает результат Claude Opus 5 с 40,7 до 99,9 балла.

Почему «не получилось» — плохой ответ

ARC-AGI-3 — набор из 25 публичных игр, где агенту не дают ни правил, ни цели. Нужно самому понять механику, а потом пройти уровень. Именно на таких задачах проверяют, умеет ли модель рассуждать о незнакомом мире, а не вспоминать похожие примеры из обучения.

И вот здесь у флагманов провал. В эксперименте на двух «запечатанных» уровнях — это уровни, где бюджет действий на единицу меньше самого дешёвого выигрыша, — ни Claude Opus 5.5, ни GPT-6 Astra с инструментами для кода не предъявили ни одного доказательства. В 12 прогонах они лишь пять раз сказали, что задача невыполнима, и в четырёх случаях назвали неверную минимальную цену решения. На уровне sc25 с бюджетом 18 действий (минимальный выигрыш стоит 19) GPT-6 Astra нашёл маршрут за 22 хода и решил, что дешевле нельзя — без доказательства.

Как AWM превращает игру в теорему

Работа идёт в три шага. Сначала исследование: агент играет, записывает наблюдения и выдвигает гипотезы в виде исполняемого кода на Python. Каждая гипотеза проверяется на всех наблюдавшихся переходах и переписывается, если хоть один переход ей противоречит.

Потом структурирование: гипотезы превращаются в типизированные объекты и общие правила, а преобразования, подсказанные теорией категорий, убирают лишнее. В примере с игрой lp85 одиннадцать частных понятий про четыре вида кнопок сжались в одно правило press_permutes. Наконец, модель переводится в Lean 4 — язык, на котором математики пишут доказательства, проверяемые машиной. Там AWM доказывает два типа утверждений: что конкретный маршрут приводит к цели и что при заданном бюджете выигрышного маршрута не существует вообще.

Ключевое слово — «вообще». Обычная модель говорит «я не нашёл». AWM предъявляет доказательство, которое можно проверить построчно и которое исключает все легальные последовательности действий, а не только те, что успел перебрать агент.

Шесть доказательств против нуля

На двух запечатанных уровнях AWM в шести прогонах из шести построил замкнутое доказательство в Lean, что выиграть в рамках бюджета нельзя. У GPT-6 Astra и Claude Opus 5.5 — ноль таких доказательств в двенадцати прогонах. Ещё любопытнее с оценкой минимальной цены: из шести первых оценок AWM четыре оказались точными, у Claude Opus 5.5 точной была одна из шести, у GPT-6 Astra — ни одной. После подсказки, что выигрыш дешевле, AWM пересмотрел правила и довёл счёт до шести из шести.

183 уровня, 99,9 балла и 43% действий человека

Дальше — весь набор ARC-AGI-3. На 25 публичных играх модель AWM позволила Lean воспроизвести выигрышные траектории всех 183 уровней. На новых раскладках замороженные правила предсказали все 4 160 переходов, а после изменения механики модель отклонила 4 031 переход — то есть модель заметила, что мир поменялся, а не продолжила действовать по старой инструкции.

С Claude Opus 5 в качестве базовой модели AWM набирает 99,9 балла; тот же Claude Opus 5 без AWM — 40,7. Сертифицированные выигрышные траектории занимают 43% действий, которые тратит человек. Иными словами, система не просто проходит игру, а проходит её экономнее среднего человека.

Где подвох

Доказательства AWM — это доказательства о выученной модели, а не о самой игре. Превращение экрана в состояние происходит в Python, вне Lean. Модель может оказаться строже игры; тогда доказательство «невозможно» будет верным для модели и неверным для реальности. Авторы честно перечисляют, что именно доказывают: правила согласуются со всеми записанными переходами, сертифицированный маршрут действительно проходит уровень при этих правилах, а на запечатанных уровнях нет выигрышного маршрута в рамках бюджета.

Связь с реальной игрой подтверждается снаружи: замороженные правила предсказывают 4 160 переходов на невиданных раскладках, а полный перебор движка подтверждает пороги запечатанных уровней. Но если исследование было неполным и агент пропустил важное правило, получится локальная истина, а не описание всего мира. Авторы называют это циклом: наблюдение, гипотеза, эксперимент, абстракция, доказательство и снова наблюдение. Статья с описанием опубликована на arXiv 29 октября 2026 года (обновление — 30 октября), записи прогонов и демо есть на сайте проекта.

Зачем это вне игр

Агенты уже планируют поездки, пишут код и управляют задачами. Но в реальности им придётся говорить не только «вот решение», а «решения нет, и вот почему». Разница огромна. «Не нашёл» означает, что стоит попробовать другой подход или подождать. «Доказал, что нельзя» освобождает ресурсы, меняет план и не даёт бесконечно крутиться в цикле.

Для платформы с генеративными моделями это тот же вопрос, только с другой стороны: чем больше задач автоматизируется, тем важнее не уверенность в ответе, а проверяемость. Формальное доказательство — крайняя, самая строгая форма такой проверяемости. В играх она уже работает. В планировании, распределении бюджета и проверке кода следующий шаг — научиться строить такие же короткие и понятные доказательства для задач без чётких правил.

Что с этого пользователю

Обе модели из статьи — Claude Opus 5.5 и GPT-6 Astra — доступны в чате NeuralSpace. AWM — исследовательский проект, публичного доступа к нему нет, но посмотреть, как современные модели рассуждают на ваших задачах, можно уже сейчас. Для собственных агентов и проектов есть раздел «Код».

И немного реальной статистики. По обезличенным данным боевой базы NeuralSpace за последние 30 дней (окно 03.10–02.11.2026) в чате прошло 1 513 сообщений пользователей в 516 сессиях. На четыре модели пришлось 69% ответов, а лидером стала GPT-5.4 Mini — 580 ответов. Тяжёлые флагманы выбирают точечно: в повседневной работе чаще выигрывают скорость и цена, а сложные задачи — отдельный разговор.

Частые вопросы

Что такое Algebraic World Model?

Это система, которая исследует незнакомую среду, строит её математическую модель и формально доказывает в Lean 4 утверждения о ней — например, что цель недостижима при заданном бюджете действий.

Чем AWM отличается от обычной языковой модели?

Языковая модель предлагает ответ и может ошибиться незаметно. AWM сначала строит явные правила мира, а потом проверяет их и выводит следствия в виде доказательства, которое может проверить независимая программа. Ошибка в правиле видна, а не спрятана в весах.

Можно ли попробовать AWM?

Публичной версии нет: это исследовательская работа. Но базовые модели, на которых она запускалась, доступны в чате NeuralSpace, а код для собственных экспериментов можно собрать в разделе «Код».