אַי האט געלערנט צו באַווייַזן אוממעגלעך: AWM פון צינגהואַ שלאָגן GPT-6 Astra און Claude Opus 5.5 ווו זיי געבן זיך
וואָס טוט אַן אַי ווען אַ אַרבעט האט קיין לייזונג? יוזשאַוואַלי עס זאגט "איך קען נישט טאָן עס" - וואָס איז ינדיסטינגגווישאַבאַל פון "איך האט ניט געפֿינען עס." א קאָלעקטיוו פון צינגהואַ אוניווערסיטעט און זשעדזשיאַנג אוניווערסיטעט געפירט דורך טורינג אַוואַרד געווינער ענדרו יאַאָ האט באַקענענ די Algebraic World Model (AWM), אַ סיסטעם וואָס פּראָוועס ימפּאָסיביליטי ממש: עס בויען אַ מאַטאַמאַטיקאַל מאָדעל פון אַ אַנפאַמיליער סוויווע, פאָרמאַליזיז עס אין Lean 4 און טראגט אַ ווינינג סיקוואַנס אַז ניט. אויף ARC-AGI-3 דער צוגאַנג קלירז אַלע 183 לעוועלס און ליפץ די כעזשבן פון Claude Opus 5 פון 40.7 צו 99.9.
פארוואס "עס האט נישט אַרבעטן" איז אַ שלעכט ענטפער
ARC-AGI-3 איז אַ סכום פון 25 עפנטלעך שפּילערייַ ווו דער אַגענט באַקומען קיין כּללים און קיין ציל. עס האט צו אַרבעטן אויס די מאַקאַניקס און דעמאָלט קלאָר די מדרגה. די טאַסקס פּרובירן צי אַ מאָדעל קענען סיבה וועגן אַן אַנפאַמיליער וועלט אלא ווי צוריקרופן ענלעך ביישפילן פון טריינינג.
דאָס איז פּונקט ווו די פלאַגשיפּס שטאָמפּערן. אין אַן עקספּערימענט אויף צוויי געחתמעט לעוועלס - לעוועלס וועמענס קאַמף בודזשעט איז איין אַפּאַראַט אונטער די טשיפּאַסט מעגלעך געווינען - ניט Claude Opus 5.5 אדער GPT-6 Astra, ביידע יקוויפּט מיט קאָדירונג מכשירים, געשאפן אַ איין דערווייַז. איבער 12 לויפט זיי געזאגט אַז די אַרבעט איז אוממעגלעך בלויז פינף מאָל, און אין פיר פון די קאַסעס זיי האָבן געהייסן די אומרעכט מינימום קאָס. אויף מדרגה sc25 מיט אַ בודזשעט פון 18 אַקשאַנז (די טשיפּאַסט געווינען קאָס 19), GPT-6 Astra געפֿונען אַ מאַרשרוט וואָס קאָס 22 מאָוועס און געפונען אַז גאָרנישט טשיפּער עקסיסטירט - אָן דערווייַז.
ווי AWM טורנס אַ שפּיל אין אַ טעאָרעם
די אַרבעט כאַפּאַנז אין דרייַ סטאַגעס. ערשטער, עקספּלעריישאַן: דער אַגענט שפּילט, רעקאָרדירט אָבסערוואַטיאָנס און שרייבט כייפּאַטאַסאַז ווי עקסעקוטאַבלע Python קאָד. יעדער כייפּאַטאַסאַס איז טעסטעד קעגן אַלע באמערקט טראַנזישאַנז און רירייט אויב אפילו איין יבערגאַנג קאַנטראַדיקץ עס.
דערנאָך קומט סטרוקטור: כייפּאַטאַסאַז ווערן טייפּט אַבדזשעקץ און שערד כּללים, בשעת קאַטעגאָריע-טעאָריע-ינספּייערד טראַנספאָרמאַציע סטרייד אַוועק יבעריקייַט. אין די lp85 שפּיל, עלף באַזונדער קאַנסעפּס וועגן פיר מינים פון קנעפּלעך קאַלאַפּסט אין אַ איין הערשן, press_permutes. צום סוף, דער מאָדעל איז איבערגעזעצט אין Lean 4, די שפּראַך מאטעמאטיקער נוצן פֿאַר מאַשין-טשעקאַבלע פּרופס. דארט AWM באווייזן צוויי סארטן סטעיטמענטס: אז א ספעציפישער רוט דערגרייכט דעם ציל, און אז אונטער א געוויסן בודזשעט עקזיסטירט בכלל נישט קיין געווינער רוט.
דער שליסל פראַזע איז "בכלל." א נאָרמאַל מאָדעל זאגט "איך האט ניט געפֿינען עס." AWM גיט אַ דערווייַז וואָס קענען זיין אָפּגעשטעלט שורה פֿאַר שורה און וואָס רעגולירן יעדער לעגאַל סיקוואַנס פון אַקשאַנז, ניט נאָר די וואָס דער אַגענט איז געווען צו פּרובירן.
זעקס פּרופס קעגן נול
אויף די צוויי געחתמעט לעוועלס AWM געשאפן אַ פארמאכט Lean דערווייַז אַז געווינען אין די בודזשעט איז אוממעגלעך אין אַלע זעקס ראַנז אויס פון זעקס. GPT-6 Astra און Claude Opus 5.5 האבן געשאפן נול אזעלכע באווייזן איבער צוועלף לויפן. די מינימום-קאָסטן עסטאַמאַץ זענען אפילו מער זאָגן: פיר פון AWM ס זעקס ערשט גווול זענען ריכטיק, Claude Opus 5.5 איז געווען איינער פון זעקס רעכט, און GPT-6 Astra גאָרניט. נאָכדעם ווי מען האָט געזאָגט אז עס איז געווען אַ טשיפּער געווינס, האָט AWM ריווייזד אירע כּללים און דערגרייכט זעקס ריכטיקע גרענעצן פון זעקס.
183 לעוועלס, 99.9 פונקטן און 43% פון די אַקשאַנז פון אַ מענטש
דערנאָך קומט די פול ARC-AGI-3 שטעלן. אין די 25 ציבור שפּילערייַ, די מאָדעלס פון AWM לאָזן Lean איבערחזרן די ווינינג טרייַעקטאָריעס פון אַלע 183 לעוועלס. אויף ומבאַמערקט לייאַוץ די פאַרפרוירן כּללים פּרעדיקטעד אַלע 4,160 טראַנזישאַנז; נאָך אַ מעכאַניקער ענדערונג, די מאָדעל פארווארפן 4,031 טראַנזישאַנז - טייַטש די מאָדעל באמערקט אַז די וועלט האט געביטן אַנשטאָט פון קעריינג אויף מיט די אַלט ינסטראַקשאַנז.
מיט Claude Opus 5 ווי די באַזע מאָדעל, AWM סקאָרז 99.9; דער זעלביקער Claude Opus 5 אָן AWM סקאָרז 40.7. די סערטאַפייד ווינינג טרייַעקטאָריעס נוצן 43% פון די אַקשאַנז אַ מענטש באַסעלינע ספּענדז. אין אנדערע ווערטער, די סיסטעם טוט נישט נאָר קלאָר די שפּיל; עס קלירז עס מער עקאָנאָמיקאַללי ווי אַ דורכשניטלעך מענטש.
ווו די כאַפּן איז
די פּרופס פון AWM זענען פּרופס וועגן אַ געלערנט מאָדעל, נישט וועגן די שפּיל זיך. ווענדן סקרינז אין שטאַטן כאַפּאַנז אין Python, אַרויס Lean. דער מאָדעל קענען ענדיקן שטרענגער ווי די שפּיל; דעמאָלט אַ דערווייַז פון "אוממעגלעך" וואָלט זיין אמת פֿאַר די מאָדעל און פאַלש פֿאַר פאַקט. די מחברים זענען יקספּליסאַט וועגן וואָס די פּרופס פעסטשטעלן: די כּללים שטימען מיט יעדער רעקאָרדעד יבערגאַנג, די סערטאַפייד מאַרשרוט טאַקע קלירז די מדרגה אונטער די כּללים, און אויף געחתמעט לעוועלס קיין ווינינג מאַרשרוט יגזיסץ אין די בודזשעט.
דער לינק צו דער עמעס שפּיל איז געגרינדעט פֿון אַרויס: די פאַרפרוירן כּללים פאָרויסזאָגן 4,160 טראַנזישאַנז אויף ומבאַמערקט לייאַוץ, און אַ יגזאָסטיוו זוכן פון די שפּיל מאָטאָר קאַנפערמז די געחתמעט טרעשאַלז. אבער אויב דער עקספּלעריישאַן איז געווען דערענדיקט און דער אַגענט מיסט אַ וויכטיק הערשן, דער רעזולטאַט איז אַ היגע אמת, נישט אַ באַשרייַבונג פון די גאנצע וועלט. די מחברים באַשרייַבן אַ שלייף: אָבסערוואַציע, כייפּאַטאַסאַס, עקספּערימענט, אַבסטראַקציע, דערווייַז, און ווידער אָבסערוואַציע. די פּאַפּיר איז אויף arXiv (דערלאנגט 29 אָקטאָבער 2026, ריווייזד 30 אָקטאָבער), און לויפן רעקאָרדס פּלוס אַ דעמאָ זענען אויף די פּרויעקט פּלאַץ.
פארוואס דאָס איז וויכטיק ווייַטער פון שפּילערייַ
אַגענץ שוין פּלאַנירן טריפּס, שרייַבן קאָד און פירן טאַסקס. אין דער עמעס וועלט, אָבער, זיי וועלן האָבן צו זאָגן ניט בלויז "דאָ איז די לייזונג" אָבער "עס איז קיין לייזונג, און דאָ איז וואָס." דער חילוק איז גרויס. "איך האט ניט געפֿינען עס" מיטל טריינג אן אנדער צוגאַנג אָדער ווארטן. "איך פּרוווד עס קען נישט זיין געטאן" פריי רעסורסן, ענדערונגען דעם פּלאַן און סטאַפּס אַ סאָף שלייף.
פֿאַר אַ פּלאַטפאָרמע געבויט אויף דזשענעראַטיוו מאָדעלס, די קשיא קוקט די זעלבע פֿון די אנדערע זייַט: די מער טאַסקס ווערן אָטאַמייטיד, די מער וויכטיק קאָנטראָלאַביליטי ווערט - נישט בטחון אין אַן ענטפער. א פאָרמאַל דערווייַז איז די מערסט עקסטרעם, שטרענגסטע פאָרעם פון אַז טשעקאַביליטי. אין שפּילערייַ עס אַרבעט שוין. אין פּלאַנירונג, באַדזשיטינג און קאָד אָפּשאַצונג, דער ווייַטער שריט איז לערנען צו בויען גלייַך קורץ און ליינעוודיק פּרופס פֿאַר פּראָבלעמס אָן קלאָר כּללים.
וואָס עס מיטל פֿאַר ניצערס
ביידע מאָדעלס פון די פּאַפּיר - Claude Opus 5.5 און GPT-6 Astra - זענען בנימצא אין NeuralSpace שמועסן. AWM איז אַ פאָרשונג פּרויעקט מיט קיין ציבור אַקסעס, אָבער איר קענען שוין זען ווי מאָדערן מאָדעלס טראַכטן וועגן דיין אייגענע טאַסקס. פֿאַר בנין אגענטן און פּראַדזשעקס פון דיין אייגן, עס איז די קאָד אָפּטיילונג.
און אַ ביסל פאַקטיש סטאַטיסטיק. לויט אַנאָנימייזד פּראָדוקציע דאַטן פון NeuralSpace אין די לעצטע 30 טעג (פֿענצטער 03.10-02.11.2026), די שמועסן כאַנדאַלד 1,513 באַניצער אַרטיקלען איבער 516 סעשאַנז. פיר מאָדעלס אַקאַונאַד פֿאַר 69% פון ענטפֿערס, מיט GPT-5.4 Mini לידינג ביי 580 רעספּאָנסעס. שווער פלאַגשיפּס זענען פּיקט סאַלעקטיוולי: אין וואָכעדיק אַרבעט, גיכקייַט און פּרייַז יוזשאַוואַלי געווינען, בשעת שווער פּראָבלעמס זענען אַ באַזונדער געשיכטע.
FAQ
וואָס איז די Algebraic World Model?
א סיסטעם וואָס ויספאָרשן אַן אַנפאַמיליער סוויווע, בויען אַ מאַטאַמאַטיקאַל מאָדעל פון עס און פאָרמאַלי באַווייַזן סטייטמאַנץ וועגן דעם מאָדעל אין Lean 4 - למשל, אַז אַ ציל איז אַנריטשאַבאַל אין אַ געגעבן קאַמף בודזשעט.
ווי איז AWM אַנדערש פון אַ רעגולער שפּראַך מאָדעל?
א שפּראַך מאָדעל אָפפערס אַן ענטפער און קען זיין פאַלש אָן ווייזן עס. AWM ערשטער בויען יקספּליסאַט כּללים פון דער וועלט, דאַן טשעקס זיי און דערייווז קאַנסאַקווענסאַז ווי אַ דערווייַז אַז אַ פרייַ פּראָגראַם קענען באַשטעטיקן. א טעות אין אַ כלל איז קענטיק אַנשטאָט פון פאַרבאָרגן אין די ווייץ.
קען איך פּרובירן AWM?
עס איז קיין ציבור ווערסיע; עס איז אַ פאָרשונג פּרויעקט. אָבער די באַזע מאָדעלס וואָס זיי לויפן אויף זענען בנימצא אין NeuralSpace שמועסן, און איר קענען בויען דיין אייגענע יקספּעראַמאַנץ אין די קאָד אָפּטיילונג.