VSA-basierter Solver erzielt beeindruckende Ergebnisse beim ARC-AGI-Benchmark
Ein neues arXiv-Papier präsentiert einen neuartigen Solver, der das Abstraction and Reasoning Corpus (ARC‑AGI) – ein anspruchsvolles Benchmark für künstliche allgemeine Intelligenz – mit bemerkenswerten Erfolgen bewältigt. Der Ansatz nutzt Vector Symbolic Algebras (VSAs), um abstrakte Objekte darzustellen und die Suche nach Lösungen effizient zu steuern.
ARC‑AGI ist ein generatives, Few‑Shot-Fluid-Intelligence-Benchmark, bei dem Menschen mühelos Aufgaben lösen, während selbst die fortschrittlichsten KI‑Modelle stark zurückbleiben. Der neue Solver kombiniert intuitive System‑1‑Mechanismen mit analytischem System‑2‑Denken und arbeitet dabei auf objektzentrierter Programmsynthese.
Durch die Integration von VSAs kann der Solver abstrakte Objekte kodieren, die Lösungssuche leiten und gleichzeitig sample‑effizientes neuronales Lernen ermöglichen. Die Methode ist interpretierbar und ressourcenschonend.
Erste Ergebnisse zeigen, dass der Solver 10,8 % auf ARC‑AGI‑1‑Train und 3,0 % auf ARC‑AGI‑1‑Eval erzielt. Auf einfacheren Benchmarks erreicht er 94,5 % bei Sort‑of‑ARC und 83,1 % bei 1D‑ARC – ein Ergebnis, das GPT‑4 bei deutlich geringerer Rechenkosten übertrifft.
Der Ansatz ist einzigartig: Es handelt sich um die erste Anwendung von VSAs im ARC‑AGI‑Bereich und der bislang plausibelste Solver, der auf kognitiven Prinzipien basiert. Der Code ist öffentlich zugänglich unter https://github.com/ijoffe/ARC-VSA-2025.