清华姚期智团队提出代数世界模型 AWM，可证明游戏关卡无解
清华团队借范畴论把游戏世界代数化，让 AI 不只描述现象、还能证明规则——世界模型从「拟合」走向「推导」的一次尝试。
清华大学姚期智、袁洋团队提出「代数世界模型」（AWM，把环境里的对象、关系和规则抽象成代数结构，再用大模型的数学能力去推理和证明）。在 ARC-AGI-3 这个不给规则、不给目标的游戏测试集上，AWM 用 Opus 5 通关全部 183 关，得分 99.9%，平均步数只有人类基准的 43%；遇到被改成无解的关卡，它还能证明「确实无解，且只差一步」。
正文摘录
清华大学姚期智和袁洋老师领导的科研团队，搞出了一个重磅项目，叫「代数世界模型」（Algebraic World Model, AWM）。 尴尬的是，训练数据容易被污染，很难复原出这样的情景：打造一个完全陌生的世界，让 AI 从 0 开始观察和实验。 但如今，代数世界模型给出了一种新解法。让 AI 从观察和实验出发，进一步理解世界这件事，变得没那么遥远了。 AI 玩游戏，像不像第谷观星？有个叫 ARC-AGI-3 的游戏集，现在是各大前沿模型秀肌肉的地方。这游戏的特点就是，啥也不告诉你，没有规则，没有目标。 像 GPT Astra 这种顶流选手，配合 Provider Adapter 框架，在这里面能拿到 99.9% 的高分。 Astra 生成的这些规则，就是第谷的笔记本，不是开普勒的定律。它只描述了现象，没抓住这个迷你游戏世界运行的本质。 研究人员把其中一个叫 sc25 的游戏，稍微改了改，初始步数设置成了一个根本不可能通关的数字。 结果，Astra 试了 8 轮，有点沮丧，然后断言：18 步肯定不行，我估计至少要 22 步才能赢。 这还不是个例。在 12 次类似的测试里，顶级的 GPT-6 Astra 和 Claude Opus 5.5 加起来，只有 5 次判断出「不可能」，其中 4 次给出的最低步数还是错的。 但如果在现实世界里，让一个 AI 智能体去执行任务，它告诉你「这事儿没戏」，还给个错误的原因，那后果可能就严重了。 我们真正需要的，是 AI 在任务不可能时，能清楚地告诉我们「为什么不可能」，并且给出准确的判断，比如「只要条件再增加一点点，就可能了」。 这时候，就得靠代数的力量了。也就是前面提到的，清华团队搞的那个代数世界模型（AWM）。 把游戏里的所有对象、关系和规则，抽象成一个「代数世界」。然后，利用大模型现在已经超强的数学能力，去理解这个世界。