ARC（Abstraction and Reasoning Corpus）用于评估认知泛化能力，即从少量示例中推断并应用抽象规则。本文提出一种多阶段规则链框架，在符号、结构和概念层面实现组合推理。框架由三种互补求解器组成：确定性规则发现模块通过几何、颜色和对象分析归纳原子变换；模式组合引擎利用块合并、重复和空间启发式重建输出；结构抽象层推断网格之间的层次和嵌套关系。求解器按顺序在递进的回退层级中运行，每一阶段复用前一阶段的推理轨迹，以提升可解释性和泛化能力。实验在 1000 任务中成功训练 995 例，在 120 任务中评估 105 例，解决了 240 条 ARC‑AGI‑2 测试任务中的 230 条，整体准确率超过 95%。该架构将符号推理与模式合成结合，提供了对认知泛化的可解释洞察，表明规则链和层次组合可在无需任务特定调优的情况下推动机器推理向透明、人类对齐的抽象迈进。
点评