Resumen:El Corpus de Abstracción y Razonamiento sigue siendo uno de los puntos de referencia más convincentes y desafiantes para rastrear el progreso hacia el logro de la Inteligencia Artificial General. A diferencia de otros conjuntos de datos de evaluación diseñados para evaluar las habilidades específicas de una tarea o el conocimiento acumulado de un agente, la suite ARC-AGI está específicamente dirigida a medir la eficiencia de la adquisición de habilidades, un rasgo que (hasta ahora) ha faltado incluso en los sistemas de aprendizaje automático más sofisticados. Para los algoritmos que requieren ejemplos extensos dentro de la tarea, una restricción importante impuesta por ARC-AGI es la modesta cardinalidad de su conjunto de demostración, que comprende una pequeña cantidad de $langle$ entradas y salidas $rangle$ cuadrículas por tarea que especifican la transformación correspondiente. Para embellecer el espacio de pares de muestras viables, este artículo presenta ARC-GEN, un generador de procedimientos de código abierto destinado a ampliar el conjunto de datos de entrenamiento ARC-AGI original de la manera más fiel posible. A diferencia de esfuerzos anteriores, nuestro generador es exhaustivo (cubre las cuatrocientas tareas) y mimético (honra más estrechamente las propiedades y características de distribución incorporadas en la versión inicial ARC-AGI-1). También analizamos el uso de este generador para establecer un conjunto de pruebas estáticas para verificar la exactitud de los programas enviados al Google Code Golf Championship 2025.
Publicado originalmente en export.arxiv.org el 4 de noviembre de 2025.
Ver fuente original
