Twin: Playing an Unknown Game with a Test-Time Digital Twin

📄 arXiv: 2608.14490v1 📥 PDF

作者: Alexy Skoutnev, Kirill Acharya, Gaston Longhitano, Madeleine Udell, Kevin Ellis, Iddo Drori

分类: cs.AI

发布日期: 2026-08-14

备注: Project website with action-by-action replays of all 25 runs: https://arc-agi-3-twin.vercel.app/ Code: https://github.com/Alexyskoutnev/TWIN-ARC-AGI-3

💡 一句话要点

提出Twin系统以解决未知游戏的学习与推理问题

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

关键词: 世界模型 持续学习 自动推理 游戏AI 模拟交互 性能提升 自适应学习

📋 核心要点

  1. 现有方法通常需要为每个任务手动设计世界模型，缺乏灵活性和适应性。
  2. Twin系统通过模拟和交互自动构建游戏规则和目标，简化了世界模型的创建过程。
  3. 实验结果表明，Twin在179个关卡中清除率达到97.8%，并在大多数关卡中超越人类表现。

📝 摘要（中文）

我们提出了一种测试时世界模型推理系统（Twin），该系统通过一个前沿编码代理编写可执行的世界模型，以完成持续学习任务，如ARC-AGI-3游戏。传统方法为每个任务手动设计模型，而我们的系统仅通过模拟和交互构建游戏规则和目标。Twin在几乎所有关卡中都能恢复游戏的真实转移和目标，且在179个关卡中清除了179个（97.8%），在179个关卡中比人类更高效地完成了158个（88.3%）。该系统在156个清除的关卡中推断出目标（87.2%），其余关卡通过搜索自动发现目标。基准测试显示，Twin显著提高了完成率和行动效率。直接玩耍的基础模型得分仅为7.8%，而Twin模型将其提升至93.3%。

🔬 方法详解

问题定义：本论文旨在解决如何在未知游戏中自动推理和学习的问题。现有方法依赖于手动设计的世界模型，导致灵活性不足和适应性差。

核心思路：论文提出的Twin系统通过前沿编码代理自动生成可执行的世界模型，利用模拟和交互来推断游戏规则和目标，从而实现持续学习。

技术框架：Twin系统的整体架构包括前沿编码代理、世界模型构建模块和验证模块。前沿编码代理负责生成模型，验证模块则确保每个动作在模型中得到验证。

关键创新：Twin的主要创新在于其能够在没有手动干预的情况下，通过模拟和交互自动构建游戏规则和目标，这与传统方法形成鲜明对比。

关键设计：在设计中，Twin系统使用了强大的归纳先验，能够有效恢复游戏的真实转移和目标。模型的验证机制确保了每个动作的准确性，利用反例修复模型。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Twin系统在179个关卡中清除率达到97.8%，并在158个关卡中比人类更高效（88.3%）。此外，Twin将基础模型的完成率从7.8%提升至93.3%，显示出显著的性能提升。

🎯 应用场景

Twin系统在游戏AI、机器人学习和自动化决策等领域具有广泛的应用潜力。其自动构建世界模型的能力可以用于开发更智能的游戏代理和自适应学习系统，推动人工智能在复杂环境中的应用。未来，该技术可能在教育、训练模拟和人机交互等领域发挥重要作用。

📄 摘要（原文）

We present a Test-time World-model Inference (Twin) system, in which a frontier coding agent writes an executable world model for completing continual learning tasks, such as ARC-AGI-3 games. Traditional approaches hand-engineer such models, one custom design per task. Each game hides its rules and goal, and our system constructs them from simulation and interaction alone. Its inductive prior over grid games is strong enough to recover the true transitions of the game and the goal on nearly all levels. Replay validation happens in a twin world model. The harness enforces that an action is not made until the program reproduces every previous observed game transition. Each mismatch between a world model prediction and the actual action result becomes a counterexample that is used to repair the world model. Twin clears 179 out of 183 levels (97.8%), and does so more efficiently than humans in 158 out of 179 levels (88.3%). The system infers the goal before any reward on 156 of the levels it clears (87.2%), and in the remaining levels automatically discovers the goal by search. The benchmark scores completion and action efficiency, between 0 and 100, against humans playing each game for the first time. Played directly, the base model scores only 7.8%; an off-the-shelf harness increases it to 61.1%, whereas our twin world model increases the same base model to 93.3%, clearing 23 out of 25 games. Building a usable world model is simpler than anticipated, whereas the harder problem is inferring the right goal.