Tycho: Active Abstraction with Programmatic World Models for ARC-AGI-3

📄 arXiv: 2607.28287v1 📥 PDF

作者: Jens Lehmann, Andrei Aioanei, Sahar Vahdati

分类: cs.AI, cs.CV, cs.SC

发布日期: 2026-07-30

备注: 52 pages, 18 figures, 17 tables. Open-source implementation: https://github.com/NIMI-research/Tycho

💡 一句话要点

提出Tycho以解决ARC-AGI-3中的主动抽象问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 主动抽象 游戏AI 模型构建 决策系统 相对人类行动效率

📋 核心要点

  1. 现有方法在推断游戏规则和状态时面临高效性和准确性的挑战，尤其是在不熟悉的环境中。
  2. 论文提出Tycho系统，通过构建游戏特定模型来实现主动抽象，帮助代理在交互中有效推断和决策。
  3. 实验结果显示，Tycho在25个公共游戏中实现了最高的RHAE，部分模型达到100.00的RHAE，显著减少了所需的行动次数。

📝 摘要（中文）

ARC-AGI-3将抽象转化为技能获取的互动问题。玩家必须推断不熟悉游戏的规则、隐藏状态和目标，同时保持行动效率。我们将这些环境形式化为参数化的确定性Moore机，并引入Tycho，一个在交互过程中构建和使用特定游戏模型的编码代理系统。Tycho将可操作的观察与中间动画、关卡完成和游戏结束帧分离。通过这种结构化历史，代理可以建模、测试、规划、修复或绕过自由形式的可执行假设。实验表明，使用模型构建器的代理请求委托获得了最高的相对人类行动效率（RHAE），达到88.49。

🔬 方法详解

问题定义：本论文旨在解决在不熟悉的游戏环境中，代理如何高效推断规则和状态的问题。现有方法在行动效率和模型准确性上存在不足，难以应对复杂的游戏动态。

核心思路：论文的核心思路是引入Tycho系统，通过构建和使用游戏特定的模型来实现主动抽象。该系统能够从交互中提取可操作的观察，帮助代理在决策时考虑模型的构建和使用成本。

技术框架：Tycho系统的整体架构包括模型构建模块、观察提取模块和决策模块。模型构建模块负责生成游戏特定的模型，观察提取模块则将可操作的观察与其他中间状态分离，决策模块根据模型和观察进行行动选择。

关键创新：Tycho的主要创新在于其主动抽象能力，能够在交互过程中动态构建和修复模型。这种方法与传统的静态模型构建方法有本质区别，能够更好地适应游戏环境的变化。

关键设计：在设计上，Tycho采用了参数化的确定性Moore机来形式化游戏环境，并通过自动修复机制提高模型的准确性。关键参数设置包括模型构建的预算和观察的选择策略，以确保在有限的资源下实现最佳的行动效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，Tycho系统在25个公共游戏中实现了最高的相对人类行动效率（RHAE），达到88.49。使用选定的策略，GPT-5.6 Sol和Opus 5均达到了100.00的RHAE，完成所有183个关卡，且Opus 5的得分行动次数比官方人类基线减少了61%。

🎯 应用场景

该研究的潜在应用领域包括游戏AI、机器人学习和人机交互等。通过提高代理在复杂环境中的推理和决策能力，Tycho系统可以在教育、娱乐和自动化等多个领域发挥重要作用，推动智能体的自主学习和适应能力。未来，该方法可能会影响更广泛的AGI研究，促进智能体在未知环境中的表现。

📄 摘要（原文）

ARC-AGI-3 turns abstraction into an interactive problem of skill acquisition. A player must infer an unfamiliar game's rules, hidden state, and goal while maintaining action efficiency because every move counts. We formalize these environments as parameterized rendered deterministic Moore machines and introduce Tycho, a coding-agent system that constructs and uses game-specific models during interaction. Tycho separates actionable observations from intermediate animation, level-completion, and game-over frames. From this structured history, an agent can model, test, plan with, repair, or bypass a free-form executable hypothesis. In one matched public-set run per policy, we compare four orchestration policies on all 25 public games using Claude Opus 4.8 under matched inference budgets. Actor-requested delegation to a model builder obtains the highest observed mean Relative Human Action Efficiency (RHAE), 88.49. With this selected policy, GPT-5.6 Sol and Opus 5 both reach 100.00 RHAE and complete all 183 levels. Their game-balanced first-run human-replay midranks are 98.5 and 100.0. Opus 5 uses 61% fewer scored actions than the aggregate official human baselines. Automatic repair after verification failures produces models that reproduce observed transitions much more accurately, yet reaches only 83.07 RHAE. Transition match indicates whether a simulator reproduces observed dynamics, not whether it has identified the objective or improves the next action. Strong play also requires deciding when to construct, repair, use, or bypass a model. We call this joint problem active abstraction: generating a testable model from costly interaction and deciding when acquiring or using it is worth its cost.