Un dels reptes que millor separa un sistema que memoritza patrons d'un sistema que raona és posar-lo davant d'un joc les regles del qual no ha vist mai: sense manual, sense exemples previs i sense saber ni tan sols quin n'és l'objectiu. Aquest és precisament el disseny del benchmark ARC-AGI-3, pensat per mesurar la capacitat de planificació i abstracció dels agents d'intel·ligència artificial en entorns completament nous.
Un equip encapçalat per Alexy Skoutnev i Iddo Drori, de Cornell i Cornell Tech, ha presentat el 14 d'agost, en un preprint a arXiv, un sistema anomenat Twin que aborda el problema d'una manera particular: en comptes de provar accions a cegues, l'agent genera un petit programa executable que simula les regles del joc -el seu «món»- i només l'accepta com a vàlid quan reprodueix fidelment totes les transicions que ha observat fins aquell moment; cada vegada que el model falla en una predicció, l'error es fa servir per corregir-lo abans de tornar a actuar. En les proves fetes amb 183 nivells d'ARC-AGI-3, Twin n'ha superat 179 (un 97,8%), i ho ha fet amb més eficiència que els jugadors humans en 158 d'aquests nivells (un 88,3%). En el 87,2% dels nivells superats, a més, el sistema ja havia inferit correctament l'objectiu del joc abans de rebre cap mena de recompensa o pista explícita.
El treball és rellevant perquè aporta una via concreta i mesurable per abordar un dels problemes centrals en la discussió sobre les capacitats generals dels agents d'IA: com planificar en entorns desconeguts sense haver-los vist prèviament durant l'entrenament, una habilitat que sol correlacionar-se amb formes més sòlides de raonament que la simple imitació de patrons apresos. La construcció explícita i verificable d'un model del món, en lloc d'una política que actua per assaig i error, és l'element que els autors destaquen com a diferencial.
Es tracta d'un preprint encara sense revisió per parells, i els resultats es limiten als 183 nivells del conjunt de proves ARC-AGI-3: el document no acredita que la mateixa tècnica funcioni igual de bé en tasques de raonament fora d'aquest benchmark concret, ni la compara amb altres mètodes recents de construcció de models del món en agents d'IA.