Une équipe de chercheurs a publié ARCANA, un framework collaboratif multi-agent conçu pour résoudre les tâches de raisonnement ARC-AGI-2, le benchmark qui teste le raisonnement visuel abstrait d’une manière qui reste difficile pour les systèmes d’IA actuels. L’article, soumis à arXiv le 10 juillet, propose une approche structurée qui combine la synthèse de programmes avec l’auto-correction itérative.
L’ARC-AGI (Abstraction and Reasoning Corpus) a été conçu par François Chollet pour mesurer la capacité d’un système à généraliser à partir de quelques exemples, plutôt que de se fier à la reconnaissance de motifs issue de données d’entraînement massives. L’ARC-AGI-2, la version actuelle, introduit des tâches plus difficiles avec des contraintes de temps et de matériel plus strictes.
ARCANA décompose chaque tâche en quatre rôles d’agents spécialisés. Un agent de perception construit des graphes de scène centrés sur les objets à partir des grilles d’entrée brutes. Une politique de programme latent propose divers programmes en langage spécifique au domaine (DSL). Un exécuteur symbolique vérifie les programmes candidats par rapport aux démonstrations fournies. Un agent réflexif synthétise ensuite un retour d’information basé sur les échecs pour guider l’itération suivante.
Les agents partagent des informations via un tableau noir différentiable, une structure mémoire partagée qui permet à chaque agent de lire et d’écrire des représentations intermédiaires. Un méta-contrôleur appris planifie quel agent agit à chaque tour, équilibrant l’exploration de nouveaux programmes candidats et le raffinement de ceux qui sont prometteurs.
La conception combine deux approches qui ont chacune montré des résultats prometteurs sur des tâches de raisonnement : la recherche structurée de programmes, qui énumère explicitement les règles de transformation possibles, et la correction adaptative multi-tours, qui permet au système d’apprendre de ses erreurs au sein d’un même problème. En maintenant la recherche dans un DSL défini, ARCANA évite l’explosion combinatoire de la génération de code non contrainte tout en conservant l’expressivité nécessaire pour les tâches de transformation visuelle d’ARC-AGI-2.
Le benchmark ARC-AGI est devenu un terrain d’essai standard pour la recherche en raisonnement IA depuis son introduction en 2019. Alors que la plupart des progrès de l’IA grand public sont mesurés sur des benchmarks de langage et de vision, les puzzles basés sur des grilles d’ARC-AGI exigent une véritable généralisation compositionnelle, appliquer des concepts compris dans des arrangements nouveaux, ce qui reste une faiblesse connue des grands modèles de langage.
L’article est disponible sur arXiv sous l’identifiant 2607.09059.
Sources : ARCANA: A Reflective Multi-Agent Program Synthesis Framework for ARC-AGI-2 Reasoning (arXiv, 10 juill. 2026)
Traduit par Lydie