从整数网格到空间直觉：主导 ARC-AGI-3 的是感知，而非规划

具备样本效率的流体智能要求智能体能够快速为陌生的交互环境构建可用模型。ARC-AGI-3 通过不提供操作说明的视觉游戏测试这一能力，并采用相对人类动作效率评分，对探索中的无效动作施加二次惩罚。当前沿模型读取原始整数网格时，序列化会破坏空间拓扑结构，导致它们耗费数百次动作来重新发现基本边界和对称性。我们提出 SARBLOH，这是一个开放权重的智能体，其核心前提是：主导 ARC-AGI-3 交互式推理的是空间感知，而非规划能力。一个零参数、复杂度为 O(HW) 的感知引擎可在 35 毫秒内将每一帧转换为三类输出：采用二分图时序跟踪的对象清单、区分已证实不变量与可供性假设的几何简报，以及带标注的画布。结合以代码作为动作的运行时，智能体编写的是算法式假设，而非低层移动指令。在八种呈现形式下，基于实际场景的感知将评分标准得分从 3/28 提升至 25/28，同时将 token 用量减少了 89.4%。在 23 个留出游戏中，几何不变量以 100% 的准确率实现泛化，而基于单帧的可供性猜测准确率降至 6–50%，因此仍然需要主动验证性探测。在公开测试集上，Run A（关闭简报）在 8.2 小时内解决了 183 个关卡中的 143 个，单次运行效率为 59.4%；Run B（开启简报）则达到 63.5%。在使用一块 Kaggle RTX PRO 6000 GPU、限时九小时的条件下，SARBLOH 在 Kaggle 隐藏评测中获得 16.53 分，是首个 Milestone 获胜者得分的 13.7 倍。