清华代数世界模型AWM：ARC-AGI-3 183关全通，动作数仅人类43%

2 hours ago AI笔记

一句话结论：清华姚期智、袁洋团队提出的代数世界模型（AWM）把「在陌生环境里试错」升级为「在 Lean 4 里证明不可能」，在 ARC-AGI-3 的 183 个关卡上全部通关，动作数只用人类基准的 43%，并在两个封盘关卡上给出了可机器检查的无解证明。

过去几年关于世界模型的讨论大多停留在画面与视频的逼真度上。真正难的那一环是：当一个智能体走进完全陌生的环境，它怎么知道哪些事情根本做不到？2026 年 11 月 1 日，清华大学姚期智、袁洋团队在 arXiv 上公开的工作 Algebraic World Model（AWM）给出了一条把「模型」变成「可证明对象」的路径。

为什么「会玩」与「知道边界」是两件事

ARC-AGI-3 是一套刻意不给规则的推理游戏。没有目标说明，没有动作语义，模型只能靠试错摸出机制。顶级模型在其中的官方成绩已经很高，GPT-6 Astra 配合 Provider Adapter 框架能拿到 99.9%。

问题在于这种高分的性质。它更像第谷的观测记录，把观察到的现象整理成符号规则，却没有触到规则背后的本质。论文团队用了一组对照实验把问题暴露出来：他们把某个关卡的初始步数压到低于通关所需的最少步数，让模型去回答「这一关还能不能赢」。

结果是幻觉。Claude Opus 5.5 与 GPT-6 Astra 在 12 次测试里合计只有 5 次判断出「不可能」，其中 4 次给出的下界还是错的。以 sc25 第四关为例，真实最少步数是 19，测试给出 18 步预算，模型试了 8 轮后断言 18 步肯定不行，并给出「至少要 22 步」这个离谱答案。

在游戏里这只是小失误。放到现实任务里，一个智能体告诉执行方「这事没戏」还附赠一个错误理由，代价可能是整条流程被错误终止。

AWM 的三步流程与范畴论工具

AWM 的骨架是探索、凝炼、证明三步。探索阶段先动手玩，把看到的规律写成可执行的 Python 假设；凝炼阶段用新观察反复检验并修正这些假设，把它们提炼成带类型的对象与共享规则；证明阶段再把这些规则形式化成 Lean 4 的数学断言。

规则的精简化借自范畴论，论文用到其中两个工具。投射极限负责下定义，把已有概念及其关系拼合出新的抽象对象；归纳极限负责找共性，从一批不同现象中提取共同结构并归入更统一的框架。两者交替使用，把起初零散混乱的 Python 假设逐步压成简洁、一致、可推理的形式。

论文还特别强调了一个此前被忽视的产出：这些模型是可读的。项目主页给出的 lp85 游戏模型只有六条规则，其中四条直接写成 Lean 代码，Lean 会拿这套规则逐条重放整条通关轨迹做校验。模型不是黑盒中间产物，而是能被逐行检查的中间证明。

关键数据：封盘关卡与 183 关全通

AWM 的成绩有两组需要分开看。一组是封盘关卡（sealed level）的无解证明，步数预算被压到真实最优解下一档，考察的是「能不能证明做不到」；另一组是公开 ARC-AGI-3 全套 25 个游戏 183 个关卡的通关效率，考察的是「能不能高效做到」。

指标 AWM 表现 对照基线
封盘关卡 Lean 无解证明 6 次运行 6 次给出闭式可检验证明 Opus 5.5 与 GPT-6 Astra 共 12 次运行 0 次给出
首个下界正确率 6 次中 4 次等于真实成本 Opus 5.5 为 1 次，GPT-6 Astra 为 0 次
获得「存在更省解」反馈后的修正 6 次中 6 次修正到正确下界 无对应能力
ARC-AGI-3 关卡通关 183 / 183 关全通，官方分 99.9 Claude Opus 5 裸跑官方分 40.7
通关动作数 人类基准的 43% 已知系统中效率最高
未见布局转移预测 4160 / 4160 全部预测正确 机制变更后的 4031 次转移全部被拒

最反直觉的一行是 40.7 到 99.9。同一个底座模型 Claude Opus 5，裸跑在 ARC-AGI-3 上官方分只有 40.7，接上 AWM 之后是 99.9。提升全部来自外部结构，换一个更强的底座模型并不会自动得到这个结果。

未见布局的预测数据同样关键。冻结规则后，AWM 在全新布局上预测了 4160 次状态转移，全部命中；随后机制被改动，4031 次转移全部被判定为无效。这说明学到的不是表面动作序列，而是一条可检验的转移规则。

与已有路线的关系：形式化证明和世界模型两条线

把 AWM 放进已有脉络里看更清楚。形式化验证这一侧，Claude 已经能用 Rocq 批量验证开源库，1.8 亿行证明被逐条检查过；量子开放问题也已经被 Lean 4 化的形式化方法拿下过。AWM 补上的是形式化方法此前最缺的那一环：在连规则本身都不知道的情况下，先把规则造出来再证明。

世界模型这一侧，视频生成式世界模型追求的是视觉真实感，Genie 4 已经能做两分钟带原生音频的模拟。实时世界模型也在推进，EdenLive 能单卡跑出实时世界模拟，Hy-Nomas 用 20.53 GiB 显存跑 100 秒推理，Polibrain 则把预测式世界模型跨五种机器人形态复用。方向不同：AWM 不追求画面，它追求的是这份世界描述能不能被逻辑系统接受。

同一个 ARC-AGI-3 战场还有另外两条路线值得对照。Gemini 4 Argon 拿到 97.5% 的官方分，VISTA 框架靠视觉记忆让模型在 25 关上满分，华为诺亚的 Memento 3 用冻结 Claude 的方式达成 RSI。三者都在提升通关率，AWM 处理的是通关率之外的另一件事，把「做不到」也变成可交付的答案。

基础模型侧同样能看出这套思路的参照。Claude Opus 5.5 在 105 个基准上通过率只有 45.6%，榜单饱和已是普遍现象，Kimi K3.1 Pro 的 Terminal-Bench 4.0 拿到 65.7%。当基准分数逼近天花板，把推理搬到可验证的结构里就成了另一条提升路径。

适用边界与工程代价

AWM 有明确的天花板。它的证明只在「它观测到的世界」里成立，探索如果不全面、漏掉关键规则，得到的只是一个局部真理，无法等同于完整世界。作者给出的路径是循环：观察、假设、实验、抽象、证明，再回到观察。

成本也是要认真算的一笔账。AWM 需要在同一个环境里反复试错、写成 Python 假设、验证假设、形式化、再验证，每一关都要走完全流程。它没有把算力需求压到推理一次的量级，价值来自把一次次试错沉淀成可复用的规则，单次调用成本并未因此下降。事实上，减少无效动作本身就是它的收益来源：通关只用人类 43% 的动作数，说明它更早收敛。

另外这套方法目前只在 ARC-AGI-3 这一类具备确定规则、可穷举搜索最优解的环境里验证过。可验证性是它的前提条件：Lean 能重放轨迹、能检查规则、能排除所有合法获胜序列。真实任务如果规则本身带噪声或不可判定，这套流程的适用性还需要更多实验。

常见问题

AWM 和普通世界模型的区别是什么？

普通世界模型预测的是接下来会发生什么，输出通常是一段连续数值或图像。AWM 的输出是带类型的对象与具名规则，最终落成 Lean 4 里可以逐条机器检查的数学断言。它关注的不是画面或预测精度，而是这个描述能不能支撑可验证的推理。

AWM 是不是自己训练了模型？

不是。AWM 是挂在现成大模型之上的框架，底座是 Claude Opus 5 与 Claude Opus 5.5。它的贡献在流程层：把探索结果组织成代数结构、用范畴论变换做化简、再形式化为 Lean 证明。论文里的提升来自这套外部结构，裸跑的 Claude Opus 5 只有 40.7 分。

普通人能用 AWM 做什么？

眼下主要是研究和工具化方向：把类似流程接到智能体框架里，让智能体在任务不可行时给出可检验的理由，替代掉一句「我认为不行」。项目主页公开了封盘关卡与完整运行记录，论文与代码均已开放，复现门槛主要在 Lean 4 与环境交互的搭建上。

小结

AWM 最有价值的贡献，可能不是 99.9 分，而是让「无解」成为一个可以交付的答案。这套做法把世界模型从预测工具推向证明工具，代价是探索成本与方法论门槛。想理解当前世界模型与形式化方法各自走到哪一步，可以对照Gemini 4 Argon 的 ARC-AGI-3 深度拆解与VISTA 视觉记忆框架，形式化一侧则可看Claude 形式化验证 123 个开源库和PSI 攻克量子开放问题的 Lean 4 流程，世界模型一侧则看Hy-Nomas 的 8B 世界模型拆解。

相关阅读

延伸阅读

AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。

继续读

同一批更新里这几篇值得一看：

Related News