SARBLOH 智能体在 ARC-AGI-3 上以感知引擎提升评分
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载感知优先的智能体设计
论文针对 ARC-AGI-3 提出 SARBLOH，其核心判断是：在这类无指令视觉游戏里，决定表现的是空间感知，而非规划容量。前沿模型直接读取原始整数网格时，序列化会破坏空间拓扑，模型往往要花数百个动作才重新发现边界与对称性。SARBLOH 用零参数的 O(HW) 感知引擎替代这一过程，在 35 毫秒内把单帧转成对象清单，并附带二分时序追踪；同时生成几何简报，把已证实的不变量与可供性假设分开，再输出带标注的画布。配合代码即动作的运行时，智能体输出的是算法层面的假设，而不是逐帧的低层移动指令。
评分与效率的量化结果
在八种呈现方式下，接入接地感知后评分从 3/28 升到 25/28，token 消耗下降 89.4%。在 23 个留出游戏上，几何不变量的泛化准确率达到 100%，而仅凭单帧做出的可供性猜测准确率只有 6% 至 50%，说明主动验证探针仍然必要。公开集上，关闭简报的 Run A 用 8.2 小时解出 183 关中的 143 关，单次通过率 59.4%；开启简报的 Run B 单次通过率提升到 63.5%。
隐藏评测与提交信息
在单张 Kaggle RTX PRO 6000 GPU 的九小时预算内，SARBLOH 在隐藏的 Kaggle 评测上得分 16.53，是首个 Milestone 获胜者的 13.7 倍。论文共 24 页、17 幅图、8 张表，提交至 ARC Prize 2026 论文赛道，代码已公开。作者为 Harsidak Singh Banwait，2026 年 11 月 4 日提交至 arXiv cs.LG。
为什么值得看
它把 ARC-AGI-3 的瓶颈定位在空间感知而非规划，并给出可复现的开放权重方案与量化收益。
信源1 家
关键事实
SARBLOH 的零参数 O(HW) 感知引擎可在 35 毫秒内把每帧转为对象清单，并带二分时序追踪。[1]
在八种呈现方式下，接地感知把评分从 3/28 提升到 25/28，token 用量减少 89.4%。[1]
在 23 个留出游戏上，几何不变量泛化准确率为 100%，单帧可供性猜测降至 6% 至 50%。[1]
公开集上 Run A 在 8.2 小时解出 183 关中的 143 关，单次通过率 59.4%，Run B 为 63.5%。[1]
在单张 Kaggle RTX PRO 6000 GPU 的九小时预算内，隐藏评测得分 16.53，为首个 Milestone 获胜者的 13.7 倍。[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。