추상화 및 추론 코퍼스(Abstraction and Reasoning Corpus, ARC)는 신경망이 적은 수의 시연(demonstration)으로부터 과제별 변환을 추론할 수 있는지를 평가하는 데 점점 더 많이 사용되고 있다. 최근의 ARC 모델들은 아키텍처뿐만 아니라 사전학습 데이터, 데이터 증강, 테스트 시점 설정, 최적화 예산을 포함한 더 넓은 학습 및 평가 프로토콜에서도 차이를 보이며, 이로 인해 아키텍처의 이점에 대한 결론이 논쟁의 여지가 있다. 본 연구에서는 ARC-AGI-1에 대한 공통된 귀납적 프로토콜 하에서, 비전에서 영감을 받은 VARC 모델과 재귀 기반 TRM 모델의 성능이 사전학습 및 테스트 시점 학습(test-time training, TTT) 예산에 의해 어떻게 영향을 받는지를 연구한다. 각 테스트 과제에 대해 다섯 가지 사전학습 예산과 네 가지 TTT 예산을 교차시킨다. 각 예산은 과제 변형 수와 총 샘플 제시 횟수를 지정하며, 이를 통해 통제된 학습 예산을 정의한다. TTT 샘플 제시 횟수를 늘리면 두 모델 모두에서 모든 설정에서 표준 ARC pass@2 지표가 향상되는 것을 관찰하였다. TTT 과제 변형 수를 늘리는 것은 TRM에만 일관되게 도움이 되는 반면, VARC는 변형 수가 더 적을 때 더 좋은 성능을 보이는 경우가 많다. 또한 VARC는 사전학습 없이도 경쟁력을 유지하는 반면, TRM은 사전학습으로부터 훨씬 더 많은 이점을 얻는다. 이러한 결과는 사전학습과 TTT 예산이 ARC 평가에 영향을 미친다는 것을 보여주며, 비교 가능한 예산 수준에서 결과를 보고할 필요성을 제기한다.
ARC-AGI-3는 관찰을 통해 규칙과 목표를 추론해야 하는 상호작용 환경(environment)에서 에이전트(agent)를 평가합니다. 본 논문에서는 가설을 실행 가능한 월드 모델(world model)로 표현하고, 소급적 전이 검증과 조건부 예측 검증을 통해 이를 검증하는 오픈소스 하네스인 Kepler를 제시합니다. 단일 고정 Claude Opus 5 설정 하에서, Kepler는 게임별 모델(model) 선택이나 점수 조건부 재실행 없이 25개 공개 게임 전체에서 서버 검증 100.00 RHAE를 달성했습니다. 완료된 183개 레벨 중 181개에서 최종 Opus 시도는 해당 인간 중앙값 기준선(baseline)보다 더 많은 행동을 사용하지 않았습니다. 보존된 보드 실행에는 8,256회의 환경 행동이 사용되었으며, 이 중 7,292회는 점수가 매겨지는 레벨에서 발생했습니다. 보존된 로컬 제공자 세션 기록 기준으로 8억 5,800만 토큰(token), 97.37%의 캐시 읽기, 2026년 9월 1일 API 정가 기준 777.72달러의 비용이 소요되었습니다. 또한 세 가지 평가 실패 사례를 보고합니다: 유효하지 않은 완벽한 실행을 초래한 소스 코드 유출, 대조 조건에서 에이전트가 제거된 하네스를 재구축한 사례, 그리고 자율 복구가 고장 난 플래너를 은폐한 사례입니다. 단일 게임 관찰 사례 연구에 따르면, 애니메이션 프레임에는 안정화된 텍스트 그리드에는 없는 작업 관련 정보가 포함되어 있었습니다. 최종 Claude Opus 5 및 GPT-5.6 Sol 보드 전체에서 50개 게임-모델 셀 중 48개가 100에 도달했습니다. 이러한 결과는 공개 세트 점수만으로는 변별력이 제한적임을 나타내며, 첫 시도, 비용 조건부 및 검증 인식 보고의 필요성을 시사합니다.
LLM은 ARC-AGI-2 과제를 위한 프로그램을 생성할 수 있지만, 주어진 연산 자원으로는 해결책을 생성하고 디버깅하고 검증하는 시도를 소수만 할 수 있다. 유전 알고리즘(genetic algorithm)은 훨씬 더 많은 프로그램을 탐색하고 테스트할 수 있지만, 무작위 탐색은 해 공간에서 유용한 이웃 영역에서 시작하는 경우가 드물다. 우리는 간결한 도메인 특화 언어(DSL)를 통해 이 두 방법을 결합한다. 먼저, 양자화된 Qwen3.5-4B LLM이 각 ARC-AGI-2 과제에 대한 초기 프로그램 집합을 생성한다. 그런 다음 이 프로그램들을 시작 프로그램의 초기 집단(population)을 구성하는 시드로 사용하고, 유전 알고리즘을 이용해 이 프로그램들이 주어진 과제의 해에 가까워지도록 진화시킨다. DSL은 변이(mutation)된 모든 프로그램이 유효하고 실행 가능하도록 설계되었다. LLM이 제안한 초기 프로그램은 ARC-2 공개 평가 세트의 처음 60개 과제 중 2개(3.3%)를 해결한다. 유전 알고리즘은 추가로 4개를 해결하여, 정답 테스트 출력이 총 6개(10.0%)가 된다. 이러한 LLM 시딩 없이 진화하는 해를 사용해 보면, 어떠한 해에도 도달하지 못한다. 이 결과는 유전 탐색이 LLM이 생성한 프로그램을 개선하고 추가적인 정답을 만들어 낼 수 있음을 보여 준다.
유동 지능(gf) 측정에 대한 두 가지 경쟁적 관점은 성과가 주로 작업 기억(working memory) 용량에 의해 제한되거나, 새로운 관계를 귀납하는 능력에 의해 제한된다고 제안한다. 첫 번째 관점은 제한된 범위의 반복되는 규칙들을 사용하는 것에서 알 수 있듯이 현재 측정에서 지배적이며, 반면 두 번째 관점은 많은 정의에는 반영되어 있지만 측정에서는 거의 나타나지 않는다. ARC-AGI 벤치마크는 주로 규칙 귀납을 요구하며, 인간과 인공 시스템 모두에 대한 gf 측정치로 제안되었다. 그러나 그 심리측정학적 특성은 아직 인간 표본에서 검토되지 않았다. 따라서 우리는 100명의 참가자를 대상으로 한 첫 번째 연구에서 ARC-AGI의 심리측정학적 특성과 개념 연결망(nomological network)을 조사했다. ARC-AGI 문항 모음은 양호한 심리측정학적 특성을 보였으며, 도형 추론 검사로 측정한 도형 유동 지능과 상당히 상관했다($ρ$ = .63). 도형 독창성과의 연관은 약했다. 이러한 발견은 인간 유동 지능 측정치로서 ARC-AGI의 타당성에 대한 초기적 지지를 제공한다. 향후 연구에는 규칙 귀납 과제와 추가적인 다변량 공변량을 더 포함해야 한다. 본 연구는 처음에는 기계를 위해 설계된 과제를 인간에서 연구한다는 점에서 이례적이다. 우리는 더 체계적인 평가와 학제 간 협력을 가능하게 하기 위해 AI 벤치마크를 인간 인지 능력의 개념 연결망에 체계적으로 내재화할 것을 제안한다.
이산 확산 모델(discrete diffusion model)은 복잡한 추론 태스크를 해결하기 위한 강력한 프레임워크를 제공하며, 특히 여러 사전학습된 전문가(expert)를 결합하여 개별 학습 데이터를 넘어 일반화하는 조합적 생성(compositional generation)을 통해 그 역량을 발휘한다. 최근의 이론적 수정 연구들은 구성된 확산 다이나믹스를 의도한 목표 분포에 더 잘 정렬시키기 위해 시간 의존적 혼합 가중치(time-dependent mixing weights)를 도입하였다. 그러나 이러한 방법들은 각 생성 상태를 단일체로 취급하여 샘플 단위로 동작함으로써, 서로 다른 전문가들이 가질 수 있는 공간적 또는 기능적 특수성을 무시한다는 근본적인 한계가 있다. 본 연구에서는 이 한계를 해결하기 위해 확산 모델을 위한 인수별(factor-wise) 구성 프레임워크인 FactorDiff를 제안한다. 우리는 샘플을 더 작은 인수(factor)들로 분해할 수 있다고 가정하고, 각 인수를 가장 관련성 높은 전문가에게 동적으로 라우팅하는 샘플링 프로세스를 제안한다. 이 프레임워크를 공간/픽셀 수준의 구성으로 구체화하고 ARC-AGI 벤치마크에서 검증한 결과, 단순한 인수별 라우팅이 논리적 일관성과 공간적 분리(spatial disentanglement)를 요구하는 태스크에서 복잡한 전역 스칼라 가중치 방식을 일관되게 능가함을 보였다.
자기-정제(self-refinement)는 대규모 언어 모델(LLM)에서 퓨샷(few-shot) 귀납적 추론을 강화하는 데 종종 실패한다. 모델이 추론한 규칙을 명시적으로 서술하도록 프롬프트하는 것만으로는 거의 효과가 없다. 실질적으로 중요한 것은 추론 단계들 간에 구조적으로 강제된 격리이며, 이를 통해 정보는 압축된 심볼릭 상태(symbolic state)로만 단계 간에 전달될 수 있다. 우리는 추론 단계들 간의 엄격한 컨텍스트 격리를 강제하는 모래시계 추론(Hourglass reasoning)을 제안한다. 고정된(frozen) LLM은 메타-생성자(meta-constructor)로 동작하며, 각 태스크에 대해 심볼릭 인코더-디코더를 구축한다: 귀납 모듈(Induction module)은 지원 예시들을 스키마 φ(인코더)와 일시적 스캐폴드 z로 압축하고; 연역 모듈(Deduction module)은 이로부터 규칙 T(디코더)를 도출하고 z를 폐기하며; 구현기(Implementer)는 (φ, T)를 아티팩트로 컴파일하고; 오류 기반 정제기(Refiner)는 (φ, T)를 수정하고 아티팩트를 처음부터 재생성한다. (φ, T)만이 단계 경계를 넘기 때문에, 모든 정제는 규칙에 고정된 채 유지된다. 우리는 GPT-5.5와 Gemini 3.1 Pro를 사용하여 시각적 추상화, 하드웨어 합성, 텍스트 규칙 귀납에 걸친 세 가지 벤치마크에서 모래시계 추론을 평가한다. ARC-AGI-2에서, 반복 정제 기준선(iterative-refinement baseline) 대비 best-of-5 정확도를 최대 14포인트 향상시킨다. ChipBench에서, GPT-5.5로 Verilog 합성 정확도를 31%에서 58%로 거의 두 배로 늘린다. BBEH-Linguini는 국제 언어학 올림피아드의 퍼즐을 활용하는데, 이는 명시적 언어화(explicit verbalization)가 성능을 저하시킬 수 있음을 선행 연구가 보여준 환경이다. 모래시계 추론은 이러한 경향을 완화하며, Gemini 3.1 Pro에서는 그 효과를 완전히 역전시킨다. 절제 실험(ablation)을 통해, 이러한 성능 향상이 단계 간 격리와 초기 귀납의 품질에서 비롯된 것이며 프롬프트 표현이나 사용된 특정 심볼릭 형식에 의한 것이 아님을 확인한다. 고정된 LLM에서 귀납적 추론을 이끄는 것은 정보를 표현하는 데 사용되는 언어가 아니라, 정보가 추론 과정을 통해 흐르는 방식이다.
우리는 엄격한 테스트 시간 및 하드웨어 제약 하에서 ARC-AGI-2 태스크를 해결하기 위한 협력적 다중 에이전트 프레임워크인 ARCANA를 제안한다. ARCANA는 각 태스크를 반복적인 인식, 가설 생성, 기호적 실행, 그리고 반성적 정제 단계로 분해한다. 지각적 그라운딩 에이전트는 원시 그리드로부터 객체 중심 장면 그래프를 구성하고, 잠재 프로그램 정책은 다양한 DSL 프로그램을 제안하며, 기호적 실행기는 데모에서 후보를 검증하고, 반성적 에이전트는 다음 턴을 위한 실패 기반 피드백을 합성한다. 이 에이전트들은 공유된 미분 가능 블랙보드를 통해 통신하며, 학습된 메타 컨트롤러에 의해 스케줄링된다. 이 설계는 구조화된 프로그램 탐색과 적응적 다중 턴 수정을 결합하여, 도전적인 추상 변환 태스크에서 추론 효율성과 솔루션 품질을 향상시킨다.
ARC-AGI-2 추상 추론 벤치마크에서 텍스트·이미지·코드 채널을 독립적 탐색 연산자로 활용해 다양한 후보를 생성하고, 단일 긴 컨텍스트 프롬프트 안에서 모든 추론 트레이스를 통합 비교하는 전체론적 판별 방법을 제안한다. 이 접근법은 다수결 투표와 달리 다수 답이 오답인 경우에도 소수 정답 가설을 안정적으로 복원하며, ARC Prize 검증 리더보드에서 72.9%를 달성해 GPT-5.2 Pro(54.2%)와 Gemini 3 Pro(54.0%)를 18.7%p 초과했다.
레이 커즈와일(Ray Kurzweil)은 가속적 수익(accelerating returns)이라는 논제를 제시했으며, 이는 기술 진보 논의에서 가장 영향력 있는 서사 중 하나이다. 핵심 주장은 여러 기술 분야, 특히 연산(compute), 인공지능, 뇌과학, 생명공학에서의 진보가 상호작용하여 진보가 자기 증폭적이고 대략 지수적으로 이루어진다는 것이다. 본 논문은 그 주장에 대한 간단한 수학적 해석을 제시한 뒤, 이러한 가속이 실재하더라도 그것만으로는 과학적 발견의 핵심 문제를 해결하지 못한다고 주장한다. 그 이유는 가속적 수익이 실행 및 인프라 역량에 가장 자연스럽게 적용되는 반면, 진정한 발견은 종종 다른 역량, 즉 현재 프레임워크가 구조적으로 부적합한 시점과 다음에 필요한 개념적 전환(conceptual move)에 대한 질적 추론(qualitative reasoning)에 달려 있기 때문이다. 최근 ARC-AGI-3 결과는 이 구분을 더욱 분명히 한다. 인간은 해당 벤치마크(benchmark)를 상한(ceiling)에 가깝게 해결하는 반면, 최전선 AI 시스템은 1% 미만에 머물러, 현재 AI와 인간의 유연한 추론 사이의 격차가 여전히 매우 크다는 것을 보여준다. 동시에 데미스 해사비스(Demis Hassabis)는 인간이 의미에 대한 감각과 삶에서 무엇에 집중할지 선택하는 능력을 유지해야 한다고 강조했으며, 이는 AI의 미래가 기술적 전망일 뿐만 아니라 어떤 형태의 인간적 이해가 보존·전승할 가치가 있는지에 대한 질문이기도 함을 상기시킨다. 본 논문은 Qualitative Engine for Science(QES)[3]를 그 결여된 역량에 대한 대응으로 제시한다. 이 관점에서 커즈와일 이론은 정량적 역량이 왜 가속될 수 있는지를 설명하는 데 도움이 되며, QES는 가속만으로는 해결되지 않는 과학적 발견의 핵심 문제를 다룬다. 그 가치는 AGI가 언제 도래하는지에 달려 있지 않으며, 과학적 발견 과정 자체가 보존·체계화·접근 가능하게 만들 가치가 있는 인간 지혜의 한 형태를 구성한다는 사실에 있다.