Twin：用测试时数字孪生玩未知游戏

我们提出了一个测试时世界模型推理（Twin）系统，其中一个前沿编码智能体会编写一个可执行的世界模型，用于完成持续学习任务，例如 ARC-AGI-3 游戏。传统方法会手工设计此类模型，每个任务对应一个定制设计。每个游戏都隐藏了其规则和目标，而我们的系统仅通过模拟和交互来构建它们。它对网格游戏的归纳先验足够强，几乎能在所有关卡中恢复游戏的真实状态转移和目标。重放验证发生在一个孪生世界模型中。该测试框架强制规定，只有当程序能够复现此前观察到的每一次游戏状态转移后，才会执行动作。世界模型预测与实际动作结果之间的每一次不匹配，都会成为一个用于修复世界模型的反例。Twin 通关了 183 个关卡中的 179 个（97.8%），并且在 179 个通关关卡中的 158 个（88.3%）中比人类更高效。该系统在其通关关卡中的 156 个（87.2%）里，在获得任何奖励之前就推断出了目标；在其余关卡中，则通过搜索自动发现目标。该基准会针对首次玩每个游戏的人类玩家，在 0 到 100 的范围内对完成度和动作效率进行评分。直接游玩时，基础模型得分仅为 7.8%；一个现成的测试框架将其提升到 61.1%，而我们的孪生世界模型则将同一个基础模型提升到 93.3%，通关了 25 个游戏中的 23 个。构建一个可用的世界模型比预期更简单，而更难的问题是推断正确的目标。