编码代理是否需要可执行的世界模型、简化和验证来解决 ARC-AGI-3 问题？

arXiv:2607.15439v1 公告类型：新 摘要：我们之前的 ARC-AGI-3 代理捆绑了可执行的世界建模、预定的简化和精确的重播验证，但不清楚哪个想法决定了其性能。我们使用四个嵌套的基于 Codex 的代理来解决这个归因问题：文本基线；无需重放验证的灵活接口可执行世界模型；具有预定简化的相同可执行模型；以及固定界面验证处理，保留简化并要求精确再现记录的观察结果。主要研究评估了所有四种具有 gpt-5.4 和 gpt-5.5 的智能体在公共 ARC-AGI-3 游戏中的高和高推理能力。探索性后续行动使用 gpt-5.6-sol 在 xhigh 和 max 下评估文本和验证变体。最稳健的结果是，每个代理变体都通过更强大的模型和更大的推理工作来改进。在每个模型努力设置中，变体之间的差异小于预期，而各个组件的效果因设置而异。需要持久的可执行交付成果并不总是有益的：在两种 gpt-5.5 设置中，文本变体都优于灵活界面可执行变体。简化提高了四个模型工作量设置中的三个的性能，最弱的设置是唯一的例外。完整的验证处理在所有四种设置中均排名第一，尽管它使用了更多的资源。在 gpt-5.6-sol 后续版本中，验证变体在推理方面完全解决了每个公共游戏，实现了约 99% 的 RHAE，并且使用的总动作少于人类基线的一半。由于该模型对这些游戏进行了后期计算，并且保留的性能尚未经过测试，因此该结果应仅解释为公共集的饱和度。