Twin：用测试时数字孪生游玩未知游戏

我们提出测试时世界模型推断（Test-time World-model Inference，Twin）系统，其中一个前沿编码智能体编写可执行的世界模型来完成持续学习任务，例如ARC-AGI-3游戏。传统方法需要手工设计此类模型，每个任务一套定制设计。每款游戏隐藏其规则与目标，而我们的系统仅凭模拟与交互来构建它们。其针对网格游戏的归纳先验足够强，能在几乎所有关卡上恢复游戏的真实转移和目标。重放验证发生在孪生世界模型中。框架强制要求：在程序复现此前所有已观测的游戏转移之前，不得执行动作。世界模型预测与实际动作结果之间的每次失配都成为用于修复世界模型的反例。Twin通关183关中的179关（97.8%），且在179关中的158关（88.3%）上比人类更高效。系统在其通关关卡中的156关（87.2%）上在任何奖励出现之前就推断出目标，其余关卡则通过搜索自动发现目标。该基准以0到100计分，衡量完成度与动作效率，对比对象为首次游玩每款游戏的人类。直接游玩时，基础模型仅得7.8%；现成框架将其提升到61.1%，而我们的孪生世界模型将同一基础模型提升到93.3%，通关25款游戏中的23款。构建可用的世界模型比预想的简单，更难的问题在于推断正确的目标。