AI har lärt sig att bevisa omöjlighet: AWM från Tsinghua-beats GPT-6 Astra och Claude Opus 5.5 där de ger upp

Vad gör en AI när en uppgift inte har någon lösning? Vanligtvis står det "Jag kunde inte göra det" - vilket inte går att skilja från "Jag hittade det inte." Ett team från Tsinghua University och Zhejiang University ledda av Turing Award-vinnaren Andrew Yao har introducerat Algebraic World Model (AWM), ett system som bevisar omöjlighet bokstavligen: det bygger en matematisk modell av en obekant miljö, formaliserar den i Lean 4 och producerar en vinnande sekvens för att det inte finns några. På ARC-AGI-3 rensar inflygningen alla 183 nivåer och höjer Claude Opus 5s poäng från 40,7 till 99,9.

Varför "det inte fungerade" är ett dåligt svar

ARC-AGI-3 är en uppsättning av 25 offentliga spel där agenten varken får regler eller mål. Det måste träna mekaniken och sedan rensa nivån. Dessa uppgifter testar om en modell kan resonera om en obekant värld snarare än att återkalla liknande exempel från träning.

Det är precis där flaggskeppen snubblar. I ett experiment på två förseglade nivåer – nivåer vars åtgärdsbudget är en enhet under den billigaste möjliga vinsten – gav varken Claude Opus 5.5 eller GPT-6 Astra, båda utrustade med kodningsverktyg, ett enda bevis. Över 12 körningar sa de att uppgiften var omöjlig bara fem gånger, och i fyra av dessa fall angav de fel minimikostnad. På nivå sc25 med en budget på 18 åtgärder (den billigaste vinsten kostar 19), hittade GPT-6 Astra en rutt som kostade 22 drag och drog slutsatsen att inget billigare fanns – utan bevis.

Hur AWM förvandlar ett spel till ett teorem

Arbetet sker i tre steg. Först, utforskning: agenten spelar, registrerar observationer och skriver hypoteser som exekverbar Python-kod. Varje hypotes testas mot alla observerade övergångar och skrivs om om ens en övergång motsäger den.

Sedan kommer strukturen: hypoteser blir maskinskrivna objekt och delade regler, medan kategoriteoriinspirerade transformationer tar bort redundans. I lp85-spelet kollapsade elva separata koncept om fyra typer av knappar till en enda regel, press_permutes. Slutligen översätts modellen till Lean 4, språket matematiker använder för maskinkontrollerbara bevis. Där bevisar AWM två typer av påståenden: att en specifik rutt når målet och att det under en given budget inte finns någon vinnande rutt alls.

Nyckelfrasen är "överhuvudtaget". En normal modell säger "Jag hittade det inte." AWM presenterar ett bevis som kan kontrolleras rad för rad och som utesluter varje laglig sekvens av handlingar, inte bara de som agenten råkade prova.

Sex bevis mot noll

På de två förseglade nivåerna gav AWM ett stängt Lean bevis på att det är omöjligt att vinna inom budgeten i alla sex av sex. GPT-6 Astra och Claude Opus 5.5 producerade noll sådana bevis över tolv körningar. Minimikostnadsuppskattningarna är ännu mer talande: fyra av AWMs sex initiala gränser var korrekta, Claude Opus 5.5 fick en av sex rätt och GPT-6 Astra fick ingen. Efter att ha fått veta att det fanns en billigare vinst reviderade AWM sina regler och nådde sex korrekta gränser av sex.

183 nivåer, 99,9 poäng och 43% av en människas handlingar

Sedan kommer hela ARC-AGI-3-setet. Över de 25 offentliga spelen låter AWMs modeller Lean spela om de vinnande banorna för alla 183 nivåer. På osynliga layouter förutspådde de frusna reglerna alla 4 160 övergångar; efter en mekanisk förändring avvisade modellen 4 031 övergångar – vilket betyder att modellen märkte att världen hade förändrats istället för att fortsätta med de gamla instruktionerna.

Med Claude Opus 5 som basmodell får AWM 99,9; samma Claude Opus 5 utan AWM får 40,7. De certifierade vinnarbanorna använder 43 % av de åtgärder som en mänsklig baslinje spenderar. Med andra ord rensar systemet inte bara spelet; det rensar det mer ekonomiskt än en genomsnittlig människa.

Var haken finns

AWMs bevis är bevis på en inlärd modell, inte om själva spelet. Att förvandla skärmar till tillstånd sker i Python, utanför Lean. Modellen kan hamna strängare än spelet; då skulle ett bevis på "omöjligt" vara sant för modellen och falskt för verkligheten. Författarna är tydliga om vad bevisen fastställer: reglerna överensstämmer med varje registrerad övergång, den certifierade rutten rensar verkligen nivån enligt dessa regler, och på förseglade nivåer finns ingen vinnande väg inom budgeten.

Länken till det riktiga spelet skapas utifrån: de frusna reglerna förutspår 4 160 övergångar på osynliga layouter, och en uttömmande sökning av spelmotorn bekräftar de förseglade tröskelvärdena. Men om utforskningen var ofullständig och agenten missade en viktig regel, är resultatet en lokal sanning, inte en beskrivning av hela världen. Författarna beskriver en loop: observation, hypotes, experiment, abstraktion, bevis och återigen observation. Papperet är på arXiv (inlämnad 29 oktober 2026, reviderad 30 oktober), och körrekord plus en demo är på projektplatsen.

Varför detta är viktigt bortom spel

Agenter planerar redan resor, skriver kod och hanterar uppgifter. I den verkliga världen måste de dock inte bara säga "här är lösningen" utan "det finns ingen lösning, och här är varför." Skillnaden är enorm. "Jag hittade det inte" betyder att prova ett annat tillvägagångssätt eller vänta. "Jag bevisade att det inte går att göra" frigör resurser, ändrar planen och stoppar en oändlig loop.

För en plattform byggd på generativa modeller ser frågan likadan ut från andra sidan: ju fler uppgifter automatiseras, desto viktigare blir kontrollbarheten – inte tilltro till ett svar. Ett formellt bevis är den mest extrema, strängaste formen av den kontrollbarheten. I spel fungerar det redan. I planering, budgetering och kodgranskning är nästa steg att lära sig att bygga lika korta och läsbara bevis för problem utan tydliga regler.

Vad det betyder för användarna

Båda modellerna från tidningen — Claude Opus 5.5 och GPT-6 Astra — finns tillgängliga i NeuralSpace Chatta. AWM är ett forskningsprojekt utan offentlig tillgång, men du kan redan se hur moderna modeller resonerar kring dina egna uppgifter. För byggmäklare och egna projekt finns det Koda avsnitt.

Och lite riktig statistik. Enligt anonymiserade produktionsdata från NeuralSpace under de senaste 30 dagarna (fönster 03.10–02.11.2026), hanterade chatten 1 513 användarmeddelanden över 516 sessioner. Fyra modeller stod för 69 % av svaren, med GPT-5.4 Mini ledande med 580 svar. Tunga flaggskepp väljs selektivt: i det dagliga arbetet vinner oftast hastighet och pris, medan svåra problem är en separat historia.

FAQ

Vad är Algebraic World Model?

Ett system som utforskar en obekant miljö, bygger en matematisk modell av den och formellt bevisar påståenden om den modellen i Lean 4 — till exempel att ett mål inte går att nå inom en given åtgärdsbudget.

Hur skiljer sig AWM från en vanlig språkmodell?

En språkmodell föreslår ett svar och kan ha fel utan att visa det. AWM bygger först explicita regler för världen, kontrollerar dem sedan och härleder konsekvenser som ett bevis på att ett oberoende program kan verifiera. Ett misstag i en regel är synligt istället för gömt i vikterna.

Kan jag prova AWM?

Det finns ingen offentlig version; det är ett forskningsprojekt. Men basmodellerna den körde på är tillgängliga i NeuralSpace Chat, och du kan bygga dina egna experiment i avsnittet Kod.