95%准确率碾压ARC！多阶段规则链框架让机器推理透明可解释
A Multi-Stage Rule-Chaining Framework for Compositional and Interpretable Cognitive Reasoning
📖 AI 总结
本文提出一种面向抽象与推理语料库（ARC）的多阶段规则链式框架，旨在实现可组合、可解释的认知推理。该框架整合三个互补求解器：确定性规则发现模块，通过几何、颜色和对象分析归纳原子变换；模式组合引擎，借助块合并、重复和空间启发式重建输出；结构抽象层，推断网格间的层次与嵌套关系。三者按渐进式回退层级顺序运行，每一阶段复用先前的推理轨迹以增强可解释性与泛化能力。在1000项任务中通过995项训练，并在120项中评估105项，最终在ARC-AGI-2的240项测试任务中解决230项，整体准确率超过95%。结果表明，规则链式与层次化组合可在不依赖任务特定调优的情况下，推动机器推理走向透明且与人类对齐的抽象。
🔑 关键词速览
| Abstraction and Reasoning Corpus (ARC) | 一个用于评估机器认知泛化能力的基准数据集，要求从少量示例中推断抽象规则。 |
| 多阶段规则链式框架 | 一种顺序执行多个推理阶段、每个阶段复用先前推理结果的框架，用于组合推理。 |
| 组合推理 | 将复杂问题分解为多个简单部分并组合其解决方案的推理方式。 |
| 结构抽象层 | 框架中负责推断网格间层次和嵌套关系的模块，用于捕捉高层结构信息。 |
| 认知泛化 | 从有限经验中学习并应用到新情境的认知能力，是ARC基准的核心测试目标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅