Resumen: Estudiamos el razonamiento estructurado basado en abstracciones para el Corpus de Abstracción y Razonamiento (ARC) y comparamos su generalización con enfoques de tiempo de prueba. Las arquitecturas puramente neuronales carecen de una generalización combinatoria confiable, mientras que los sistemas estrictamente simbólicos luchan con una base perceptiva. Por lo tanto, proponemos una arquitectura neurosimbólica que extrae la estructura a nivel de objeto de las cuadrículas, utiliza antecedentes neuronales para proponer transformaciones candidatas a partir de un lenguaje fijo de dominio específico (DSL) de patrones atómicos y filtra hipótesis utilizando coherencia entre ejemplos. Instalado como un marco de razonamiento compositivo basado en patrones unitarios inspirados en la abstracción visual humana, el sistema aumenta los modelos de lenguaje grandes (LLM) con representaciones de objetos y propuestas de transformación. En ARC-AGI-2, mejora el rendimiento base de LLM del 16 % al 24,4 % en el conjunto de evaluación pública, y al 30,8 % cuando se combina con ARC Lang Solver a través de un metaclasificador. Estos resultados demuestran que separar la percepción, la propuesta de transformación guiada neuronal y el filtrado de coherencia simbólica mejoran la generalización sin ajustes específicos de la tarea ni aprendizaje por refuerzo, al tiempo que reducen la dependencia de la búsqueda de fuerza bruta y el escalamiento del tiempo de prueba basado en muestreo. Abrimos el código de Reasoner ARC-AGI-2 (esta URL https).
Publicado originalmente en export.arxiv.org el 5 de abril de 2026.
Ver fuente original
