Tycho、インタラクションを通じてエージェントに世界モデルを記述させ、2つのフロンティアモデルがARC-AGI-3の全公開レベルをクリア

ARC-AGI-3では、モデルに静的な例からルールを推論させるだけではない。エージェントを未知の64×64インタラクティブ環境に投入し、コスト制約のあるアクションを通じて、目標、隠れ状態、ゲームメカニクスを特定させる。新たに公開されたTychoは、この種の問題を「能動的抽象化」として捉える。エージェントは画面、アクション、状態変化を保存し、必要に応じて別のモデルに委任して、仮説を`State`、`transition`、`render`、`outcome`を含むPython世界モデルとして記述させる。その後、既存の軌跡でモデルを検証し、次の一手を計画する。

チームはClaude Opus 4.8を用いて、4種類のオーケストレーションポリシーを比較した。世界モデルをまったく使用しない場合、Relative Human Action Efficiency（RHAE）は79.07だった。メインエージェント自身にモデルビルダーを呼び出すタイミングを判断させると、スコアは88.49に上昇した。一方、検証失敗後にモデルを自動修復する固定ポリシーでは83.07にとどまった。これは、シミュレーターが観測済みの遷移により適合したからといって、目標を理解しているとは限らず、次のアクションが改善される保証もないことを示している。同じオーケストレーションポリシーに切り替えたところ、GPT-5.6 SolとClaude Opus 5はいずれも、公開されている25ゲーム、183レベルすべてで100 RHAEを達成した。Claude Opus 5が使用したスコア対象アクション数は、公式の人間による集約ベースラインより61％少なかった。

エンジニアリング上の価値は、Tychoが世界モデルを単一のニューラルネットワークとして固定していない点にある。代わりに、エージェントが情報価値に基づき、実行可能な仮説をいつ構築、修復、照会、または放棄するかを判断する。公開リポジトリには、プロンプト、プランナー、バリデーター、リプレイビューアー、コンテナサンドボックス、OpenAI／Anthropicトランスポート層が含まれており、完全な軌跡を検証できる。

ただし、これは汎用推論が解決された証拠ではない。ポリシーの選択は公開セット上で行われ、主な比較では各ポリシーにつき1回のみ実行されているため、結果はランダム性や公開環境へのチューニングの影響を受けている可能性がある。再現には、高価なフロンティアモデルの呼び出しも必要になる。次に注目すべきなのは、非公開テストセット、複数のランダムシード、コストと失敗率、そして小規模モデルでも同じ検証可能な世界モデルから同程度の効果を得られるかどうかだ。