Исследователи представили Tycho — агентную систему, предназначенную для решения задач ARC-AGI-3, где требуется активная абстракция и быстрое обучение навыкам. Система формализует игровые среды как параметризованные детерминированные машины Мура и использует программные модели мира для вывода скрытых правил, состояний и целей, минимизируя количество необходимых действий для достижения результата.
В основе подхода лежит концепция «активной абстракции», при которой агент не просто предсказывает следующий шаг, а строит внутреннюю модель конкретной среды «на лету». Это позволяет системе эффективно справляться с задачами, где правила игры неизвестны заранее, а каждое действие имеет высокую цену. Tycho демонстрирует способность к обобщению в условиях ограниченной обратной связи, что является ключевым вызовом для современных LLM в задачах логического вывода.
Архитектура системы объединяет возможности генерации кода с итеративным тестированием гипотез. Агент последовательно уточняет свои представления о механике среды, используя программный код как инструмент для симуляции и проверки правил. Такой подход позволяет преодолеть ограничения стандартных методов обучения с подкреплением, требующих огромных объемов данных, за счет перехода к структурному моделированию логики задач.
Ключевые факты
- Tycho использует программные модели мира для формализации игровых сред как параметризованных детерминированных машин Мура.
- Система ориентирована на решение задач ARC-AGI-3, требующих от агента самостоятельного вывода правил и целей в условиях неопределенности.
- Основной упор сделан на эффективность действий: агент оптимизирует стратегию с учетом ограниченного количества ходов.
- Метод активной абстракции позволяет агенту адаптироваться к новым правилам игры без предварительного обучения на специфических датасетах.