向量符号代数用于抽象推理语料库
人工智能
2025-11-13 v1 机器学习
摘要
抽象推理语料库（ARC-AGI）是面向人工通用智能的生成式、零样例流体智力基准。尽管人类轻松解决 ARC-AGI，但即便是最先进的人工智能系统也仍难以应对。鼓励方法涵盖从神经科学到心理学的模型人类智力，我们提出一种认知上符合人类直觉的 ARC-AGI 求解器。该求解器通过向量符号代数（VSAs）实现系统 1 直觉与系统 2 推理的高效可解释集成。求解器通过对象中心程序综合，利用 VSAs 表示抽象对象、指导解答搜索并实现样本高效神经学习。初步结果表明求解器在 ARC-AGI-1-Train 上得分 10.8%，在 ARC-AGI-1-Eval 上得分 3.0%。此外，求解器在更简单基准上表现良好，在 Sort-of-ARC 上得分 94.5%，在 1D-ARC 上得分 83.1%——后者在计算成本极低的情况下超越了 GPT-4。重要的是，我们的方法独一无二；我们认为是首次将 VSAs 应用于 ARC-AGI，并开发了目前最具认知可信度的 ARC-AGI 求解器。我们的代码已公开：https://github.com/ijoffe/ARC-VSA-2025。
引用
@article{arxiv.2511.08747,
title = {Vector Symbolic Algebras for the Abstraction and Reasoning Corpus},
author = {Isaac Joffe and Chris Eliasmith},
journal= {arXiv preprint arXiv:2511.08747},
year = {2025}
}