Chollet：ARC-AGI-3 顶尖方案均采用 LLM 引导的符号合成

ARC-AGI 基准创建者 François Chollet 近日在社交平台发文，总结了当前 ARC-AGI-3 排行榜领先选手所采用的核心方法论。他指出，表现最好的方案几乎都采用同一种思路：让大语言模型（LLM）实时引导一个符号化世界模型的合成，即通过编写可执行代码来编码对因果机制的理解，从而让模型对任务环境做出合理解释。

方法核心：用代码承载因果理解

Chollet 将这种方法描述为「LLM 引导的即时符号世界模型合成」。其核心要点是：

• 由 LLM 充当「规划器」，在解题过程中按需生成描述环境因果关系的代码片段；
• 这些代码构成一个可执行、可验证的符号世界模型，而非隐式的神经网络权重；
• 模型的「理解」以程序形式显式表达，便于人类阅读与审查。

Chollet 强调，这一思路并非新提议，他在 ARC 基准最初发布时就曾推荐过类似路径。值得注意的是，被他点赞的 Jeremy 此前正是他参与创立的 Ndea 的技术成员。

对 ARC-AGI-3 的启示

Chollet 对 ARC-AGI-3 现阶段取得的进展表示欣慰，认为基准本身有效激励了更多围绕「神经-符号结合」方向的研究与实验。在他看来，当前列头部方案的一致性，也间接验证了「代码即认知表征」这一路线在大模型推理任务中的可行性。

Chollet 在帖子中写道：「我很高兴 ARC 3 推动了这一领域更多的研究和进展。」

该评论未披露具体榜单成绩或技术细节，仅为对当前研究风向的观察性总结。