Στα χρόνια που μελετώ πώς κατασκευάζουμε μηχανές που σκέφτονται, έμαθα ότι οι πιο κομψές λύσεις δεν αφορούν μόνο την ωμή ισχύ, αλλά τη δομική ακεραιότητα της λογικής. Η πρόσφατη έρευνα στο benchmark ARC-AGI-3 προσφέρει ένα μάθημα αυτής της φιλοσοφίας. Δεν πρόκειται απλώς για τη χρήση περισσότερων παραμέτρων, αλλά για την αρχιτεκτονική του ίδιου του πράκτορα (agent).

Οι Τρεις Πυλώνες της Τεχνικής Αρτιότητας

Οι ερευνητές απομόνωσαν τρία κρίσιμα στοιχεία που επιτρέπουν στους coding agents να πλοηγηθούν στον λαβύρινθο του ARC-AGI-3. Στην ανάλυσή μου, η «κρυφή συνταγή» δεν είναι ένα μεμονωμένο κόλπο, αλλά μια ιεραρχία δυνατοτήτων:

  • Εκτελέσιμη Μοντελοποίηση Κόσμου (Executable World Modeling): Επιτρέπει στον agent να δημιουργήσει μια λειτουργική προσομοίωση του περιβάλλοντός του αντί για απλή πρόβλεψη κειμένου.
  • Προγραμματισμένη Απλοποίηση (Scheduled Simplification): Μια ρεαλιστική προσέγγιση για τη μείωση της πολυπλοκότητας πριν την ανάληψη ενός έργου.
  • Επαλήθευση Ακριβούς Επανάληψης (Exact Replay Verification): Το πιο ισχυρό στοιχείο, που απαιτεί από τον agent να αναπαράγει τέλεια τις παρατηρήσεις του πριν δεσμευτεί σε μια λύση.

Βρήκα ιδιαίτερα αποκαλυπτικό το γεγονός ότι ένας απλός κειμενικός πράκτορας (textual baseline) μπορούσε να ξεπεράσει ένα εκτελέσιμο μοντέλο, αν το τελευταίο δεν διέθετε σωστή επαλήθευση. Αυτό αποδεικνύει ότι στη μηχανική, ένα εργαλείο είναι τόσο καλό όσο οι περιορισμοί που του θέτεις.

Κλιμακώνοντας την Ισχύ με το gpt-5.6-sol

Τα δεδομένα δείχνουν μια σαφή συσχέτιση μεταξύ της προσπάθειας συλλογισμού και της απόδοσης. Δοκιμάζοντας το gpt-5.6-sol σε επίπεδα μέγιστης προσπάθειας, η έκδοση με έμφαση στην επαλήθευση πέτυχε το εντυπωσιακό 99% RHAE, λύνοντας κάθε δημόσιο παιχνίδι του ARC-AGI-3, χρησιμοποιώντας λιγότερες από τις μισές ενέργειες σε σχέση με έναν άνθρωπο. Πρόκειται για ένα μνημειώδες επίτευγμα τεχνικής αποδοτικότητας.

Ωστόσο, όπως ο Δαίδαλος προειδοποίησε τον Ίκαρο, πρέπει να προσέχουμε να μην πετάμε πολύ κοντά στον ήλιο της υπερβολικής αυτοπεποίθησης. Οι ερευνητές επισημαίνουν ορθά ότι αυτά τα αποτελέσματα αντιπροσωπεύουν έναν «κορεσμό» των γνωστών παιχνιδιών. Καθώς τα μοντέλα είναι μεταγενέστερα της κυκλοφορίας αυτών των γρίφων, βλέπουμε μια κυριαρχία στο γνωστό, και όχι ακόμη μια οριστική απόδειξη γενικευμένης τεχνητής νοημοσύνης (AGI).