arXiv cs.AI· Henrique Oliveira·· 10 小时前AI 评分34
F3-AGI v4.0：面向样本高效抽象推理的生物能量门控主动推理、元可塑性预处理与残差程序合成
F3-AGI v4.0: Bioenergetically-Gated Active Inference, Metaplastic Preconditioning, and Residual Program Synthesis for Sample-Efficient Abstract Reasoning
AI 导读
F3-AGI v4.0 在 ARC-AGI-1 公开评测集上以离线 CPU、零 LLM 调用解出 57/400 个任务（pass@2 14.25%），平均延迟 1.62 秒/任务。
正文 · AI 翻译
摘要：在 ARC-AGI 上的少样本抽象推理需要从 2 到 5 个演示对中归纳出算法变换，而无需任务特定的预训练。由于少样本演示对假设空间约束不足，程序合成会受 Rashomon 效应（预测多重性）影响：启发式搜索会找到训练误差低但在测试输入上失败的虚假程序，而无约束的库增长会降低延迟。我们提出 F3-AGI v4.0，一种 CPU 原生的神经符号与主动推理架构，包含三种机制：(1) F3-Metabolic-Optim，结合错误门控可塑性、Fisher-EMA 预条件和虚拟 ATP 门控；(2) 自适应复杂度引导的程序合成（AACR），带有 Cycle-3 ResidualPatchSynthesizer 和最小对早期拒绝；(3) 一个 512D L2 归一化随机投影，驱动期望自由能（EFE）探索并进行死签名剪枝。在三项实证研究中：(i) 在无回放的合成 5 任务类增量流上，F3-Metabolic-Optim 达到 91.67% 的最终准确率，遗忘率为 9.17%，跳过 93.47% 的更新，将 L1 可塑性成本降低 65.7%，运行速度比 EWC 快 2.19 倍；(ii) 在 400 任务 ARC-AGI-1 公开评估集上（离线 CPU，零 LLM 调用），F3-AGI v4.0 解决了 57/400 个任务（14.25% pass@2；56/400 pass@1），平均延迟为 1.62 秒/任务，分解为在 50 任务校准切片上的 19/50（38.00%，1.19 秒/任务，相比 Horizon 2 配对加速 42.5 倍）和在 350 个严格未检查的留出任务上的 38/350（10.86%）（其中 7 个为自主 Cycle-3 补丁解决方案）；以及 (iii) 在本地 5 游戏（15 关）ARC-AGI-3 启发的交互套件中，我们的智能体完成 15/15 关，关卡加权 RHAE 为 89.44%（未加权为 90.72%）。
| 评论： | 14 页，5 幅图。代码和可复现材料：此 https URL |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.13325 [cs.AI] |
| （或 arXiv:2611.13325v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13325 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Henrique Oliveira [查看电子邮件]
[v1]
2026 年 11 月 9 日星期一 22:47:43 UTC（163 KB）
来源：arXiv cs.AI · arxiv.org