标签
该论文提出了 STRM,这是一种简化的微型递归模型,采用单一状态和统一更新方式,在 Sudoku-Extreme、PPBench 和 ARC-AGI 基准测试中表现优于 TRM,同时训练速度更快。
Continual-ARC 引入了一个持续终身的 ARC-AGI 任务流,用于在权重冻结的智能体框架下比较基于记忆和基于权重的持续学习。研究发现,框架的持久化机制很少能提升记忆能力,而且大多数框架方法的表现不如简单的缓存,而基于权重的学习则展现出更好的泛化能力。
作者声称其自研的混合架构在 ARC-AGI-3 基准上取得 15.85%(29/183 关卡)的成绩,约 4 倍于 2026 里程碑获奖水平。该架构由稀疏化的 Gemma-4-31B-It 结合 OpenJEV、HRM/TRM「右半球」及双向胼胝体子系统构成,并在 QASPer LongBench 上以 62.23% KV cache 达到接近稠密模型的性能,附两篇预印本和开源仓库。
据报道,Gemini 4 Argon 在 ARC-AGI-3 基准测试中取得了 97.5 分,基本触及该测试的上限,促使相关人员开始开发侧重新颖想法生成与创新能力的 ARC-AGI 4——发帖者将其比作 ASI(人工超级智能)级别的评估。
作者主张为 AGI、RSI 和 ASI 给出具体定义,随后声称 AGI 已经实现,因为 GPT-6 Astra 在 ARC-AGI-3 基准测试中取得了 99.9% 的成绩,并展现了对全新任务的泛化能力。
Memento 3 让冻结的 LLM 智能体通过自然语言规则簿与代码编译循环,实现基于模型的递归自我改进,在 ARC-AGI-3 上清空全部 25 个公开游戏关卡并达到 100.0 的平均 RHAE。
围绕小型推理模型(SRM)是否是下一个重大转变展开讨论,起因是 Pathway 的 BDH 架构及其在 ARC-AGI-1 上的结果,并提出一套超越营销话术、用于评估模型紧凑性、少样本适应能力、训练效率和持续学习能力的框架。
在 ARC-AGI-3 基准测试上,Kaggle 的最高分仅在 30 天内就从 7% 跃升至 56%。在一个本意用于展示人类认知优势的基准上,规模较小的本地模型在 harness(代理框架)的辅助下,已经击败了普通人类。
Kepler 是一个面向 ARC-AGI-3 的开源框架,它将假设表示为可执行的世界模型,并通过回溯性的状态转移与预测检查对其进行验证,在冻结的 Claude Opus 5 配置下,于全部 25 个公开游戏上取得了经服务器验证的 100.00 RHAE。论文同时报告了三类评估失败——源代码泄露、框架重构以及自主修复掩盖了失效的规划器——并指出仅凭公开集分数其鉴别力有限,因此主张采用首试成绩、成本条件化以及验证感知的报告方式。
GPT-6 Sol 和 Astra 已占据 ARC-AGI-3 排行榜的前两名,标志着前沿 AI 模型在抽象推理基准测试上取得了显著进展。
Google 的研究人员表明,采用严格局部连接和异步更新的 Neural Cellular Automata(神经元胞自动机)能够解决复杂的视觉推理任务,例如大型迷宫、数独和 ARC-AGI-1,能够在分布外进行泛化,并能在受损后稳健恢复。
一种名为 'Thinking with Looped Flows' 的新方法,通过局部去噪目标训练循环推理,在循环模型中达到了 ARC-AGI 基准测试的最先进的性能。
Y Combinator 讨论了框架在 AI 中的重要性,强调了它们在提升模型性能、自我改进代理以及个人 AI 和工作自动化等实际应用中的作用。
Astra 在不使用思维链的情况下,在 ARC-AGI-3 上达到 97%,在 ARC-AGI-1 上达到 86%,突显了 AI 推理能力的重大进步。
OpenAI 的 GPT-6 Astra 在 ARC-AGI-3 基准测试中取得最先进的性能,得分63%,在96%的层级上超越人类表现,展示了先进的符号建模能力。
OpenAI对Astra在ARC-AGI-3上的基准报告具有误导性,因为它使用了不同的测试环境,并且在标准条件下,性能差距没有那么显著。
俄罗斯初创公司Mostik开发了一种方法,使AI模型能够在潜在空间中通信,让一个小模型无需文本即可利用前沿模型的推理能力,以20倍更快的性能达到80%的准确率,他们正与推理提供商合作,推动开放权重的采用。
从头训练了一个小型Transformer模型,仅花费0.67美元就在ARC-AGI-1基准测试上实现了44%的准确率,在速度、准确性和成本效益方面均优于先前方法。
Chart Pathway的BDH-CQ,一个150M参数的推理模型,在ARC-AGI-1上达到了29.5%的准确率,每任务成本远低于像GPT-5.6 Luna这样的大型模型,展示了成本-精度权衡的改进。