Un equipo de investigadores ha publicado ARCANA, un framework colaborativo multiagente diseñado para resolver tareas de razonamiento ARC-AGI-2, el punto de referencia que prueba el razonamiento visual abstracto de formas que siguen siendo difíciles para los sistemas de IA actuales. El artículo, enviado a arXiv el 10 de julio, propone un enfoque estructurado que combina la síntesis de programas con la autocorrección iterativa.
ARC-AGI (Abstraction and Reasoning Corpus) fue diseñado por François Chollet para medir la capacidad de un sistema de generalizar a partir de pocos ejemplos, en lugar de depender del reconocimiento de patrones basado en datos masivos de entrenamiento. ARC-AGI-2, la versión actual, introduce tareas más desafiantes con restricciones de tiempo y hardware más estrictas.
ARCANA descompone cada tarea en cuatro roles de agente especializados. Un agente de percepción construye grafos de escena centrados en objetos a partir de cuadrículas de entrada sin procesar. Una política de programa latente propone diversos programas en lenguaje específico de dominio (DSL). Un ejecutor simbólico verifica los programas candidatos contra las demostraciones proporcionadas. Un agente reflexivo sintetiza entonces retroalimentación basada en fallos para guiar la siguiente iteración.
Los agentes comparten información a través de una pizarra diferenciable, una estructura de memoria compartida que permite a cada agente leer y escribir representaciones intermedias. Un metcontrolador aprendido programa qué agente actúa en cada turno, equilibrando la exploración de nuevos candidatos de programa con el refinamiento de los prometedores.
El diseño combina dos enfoques que han demostrado ser prometedores en tareas de razonamiento: la búsqueda estructurada de programas, que enumera explícitamente las posibles reglas de transformación, y la corrección adaptativa multiturno, que permite al sistema aprender de sus errores dentro de una sola instancia del problema. Al mantener la búsqueda dentro de un DSL definido, ARCANA evita la explosión combinatoria de la generación de código sin restricciones, manteniendo al mismo tiempo la expresividad necesaria para las tareas de transformación visual de ARC-AGI-2.
El punto de referencia ARC-AGI se ha convertido en un campo de pruebas estándar para la investigación en razonamiento de IA desde su introducción en 2019. Mientras que la mayoría de los avances de la IA convencional se miden en puntos de referencia de lenguaje y visión, los rompecabezas basados en cuadrículas de ARC-AGI requieren una verdadera generalización composicional, aplicar conceptos comprendidos en arreglos novedosos, lo que sigue siendo una debilidad conocida de los grandes modelos de lenguaje.
El artículo está disponible en arXiv bajo el identificador 2607.09059.
Fuentes: ARCANA: A Reflective Multi-Agent Program Synthesis Framework for ARC-AGI-2 Reasoning (arXiv, 10 de julio de 2026)
Traducido por Alessandra