99 分到底是什么意思

它不是「25 局解出了几局」的通关率。RHAE 衡量的是步数效率，而且带一个很重的平方惩罚。

算法是这样：每一关拿「人类的步数 ÷ AI 的步数」，再平方，上限 1.15。一局游戏里越靠后的关卡权重越高（从 1 递增到 n）；而且有个和权重挂钩的完成度上限，只要有一关没通，这一局就拿不到满分。所有在游戏里真正按下去的操作，包括为了试探而走的探索步，全都算进 AI 的步数里。因为是平方，多花的步数会让分数掉得很快。

所以同样是「差不多都通关」，效率不同，分数可以天差地别。原文给了一组对照：

所以这 98.98 分，是「完成度」和「步数效率」两件事一起打出来的综合分，不等于解题率。它逼着 AI 不光要会玩，还得玩得跟熟练的人一样省。

像物理学家一样思考

物理学家在写下一条定律之前，得先决定「这条定律是关于什么的」：一堆观察里，哪些东西算「物体」，哪些属性定义了「状态」。定了这个，才谈得上「状态怎么变」。Schema 把这拆成两个必须一起解决的问题。

第一个问题叫状态接地：把生的画面变成能追踪的物体、变量和关系。没有任何东西告诉 AI 哪块像素是它自己、哪块是墙、哪块是「还剩几步」的计数条，它得自己认。第二个问题叫机制发现：找出这些状态在某个操作下怎么变，并把这条规则写成一段能真正运行的程序。

关键在于，这两个问题不能分开解。一个看起来说得通的状态表示，可能在后面的实验里露馅：怎么都找不到一条一致的规则去解释接下来的结果。这时候，光改规则不够，得改「状态到底是什么」。

先写程序，验证过了才动手

光有一份程序还不够，Schema 对「怎么用这份程序」下了很死的规矩。它跑一个四步的外循环：观察 → 熟虑 → 执行 → 记录。

记录（record）是系统不可更改的交互史。AI 可以随时修改自己的假设和笔记，但它改不了已经收到的画面、也改不了已经按下去的操作。这条只增不改的时间线，是唯一的真相基准。

每一次熟虑，AI 都在更新它对游戏的理论，也就是那段 step(state, action) 程序。它用 run_backtest 拿这段程序去对完整的交互史，哪一步预测和真实对不上，就用这个不匹配去定位错误；再用 run_bfs 在这个模型里搜出一条路线，把结论写进笔记。这些操作没有一个会碰到真实环境，只有 commit_actions 才把动作发给游戏，把「内部建模和搜索」跟「对外真实交互」彻底分开。

还有一个反直觉的地方：AI 不只是为了通关而行动，也会专门为「搞清楚隐藏机制」而行动。当有好几条候选规则都还和历史对得上时，它会去找一个能把它们区分开的实验：一个这些规则会给出不同预测的操作，按下去，比对结果，更新 step()。因为 RHAE 对多余步数是平方惩罚，最好的实验恰恰就是「用最少的真实交互，消除最多的不确定」。一旦 step() 能重现历史里的每一步转变，接下来的解题就搬进模型里搜索，不再花额外的真实步数。

换个用法，同一个模型从 43 分到 99 分

要证明「99 分是外壳的功劳，不是模型换强了」，得做受控对比：模型固定不动，只换外壳。原文用同样的 Opus 4.8 加 Fable 5 做了这件事。

把最终那份 Claude Code 的原生草稿快照当成基线输出，成绩是 42.83 分；同样这对模型，套上 Schema，拿到 98.98 分，净涨 56.15 分。

Claude Code 本身是个很强的通用外壳，擅长文件操作和长上下文管理，原则上它能模仿 Schema 的流程，但它不强制模型这么做。在通用外壳下，模型直接对游戏出手，也可以把自己的判断一直含在上下文里、不落成代码。Schema 则硬加了三条约束：

在这个受控配置下，Schema 相对 Claude Code 基线带来 56.15 分的提升。换 GPT-5.6 时，Schema 的 Sol xhigh 与 Sol max 搭配拿到 95.35 分，但要注意，它最接近的官方参照（Sol max 公开 13.33、半公开 7.78）并不是同一个外壳的对照实验，所以图里那 82 分的差距是「参考」而非受控测出来的增益。

把 25 局逐一看：Claude 这套保留的结果里，14 局用 Opus、11 局用 Fable，其中 19 局正好满分 100；Sol 这套里 20 局满分。剩下没到 100 的那几局，分数集中在 89 到 99 之间，差距很小，而且很集中。

把「东西是什么」认对，就赢了

效率到底从哪来？原文给了两个观察，也顺带露出了 Opus 4.8 和 Fable 5 在这套外壳下的真实差别。

观察一：认对了程序，行动就变省

在 AI 归纳出「能精确重现全部历史」的程序世界模型的那 14 局里，它用的步数是人类参照的 1/1.6 到 1/5。原因是花钱的地方变了：真实步数只在「发现某条机制」时付一次，之后就在模型里免费规划，而不是靠反复试错重新发现同一条机制。人类越觉得难的地方，这个优势越明显：在 M0R0 第 4 关，人类要 500 步，AI 只用 42 步。

RE86 这局把整套流程走全了：run_backtest 把模型对着 393 条记录逐条重放、全部精确对上，验证过的模型再交出一条计划，一整关不靠任何额外试错就清掉：61 步的单次计划，执行时零预测错误，直接赢。这种「一次操作里核对几百帧精确画面」的能力，在无辅助的人类玩法里没有对应物。

25 局逐一看「累积步数（横轴）对通关层数（纵轴）」：品红是 Schema，灰是第一次玩的人。绝大多数局里品红线压在灰线上方，同样的层数用更少步数；官方数下来，Schema 在 96% 的关卡上快过人类，整体 99.0% RHAE。来源：Impossible Research

观察二：Fable 更早去怀疑「东西认错了」

在两个模型都尝试过的游戏上比 Opus 4.8 Max 和 Fable 5，Fable 拿到更高的 RHAE，靠的是两种方式：有的局它发现的模型能通 Opus 通不了的关；有的局两者都通，但 Fable 用更少的真实步数到达同一个终点。

成对的轨迹指向同一个解释：一次预测失败之后，Fable 更常去质疑「表示法本身」，识别出真正要紧的那个不确定，然后挑一个「不同假设会给出不同结果」的操作去试，再把观察变成一条可复用的规则。Opus 往往最后也能发现同一条机制，但要先在它现有的表示法里，多花些步数去测各种目标、条件、配置。

在 FT09 这局，棋盘满足了当前的目标逻辑却不推进，Fable 转而去试一个更基本的问题：那个被当成装饰的「检查器」本身能不能点？一点，露出一个「点一下会翻转自己和上下左右邻居」的十字按钮。Fable 把这个观察写成代码，11 步后清关，下一关 13 步搞定。Opus 注意到了同样的矛盾，却又花了大约 240 步去测别的目标状态解释，直到第 287 步才去戳那个检查器、记下同一条隐藏机制。两个模型都能表达、也都能用这条规则；差别只在于「谁更快挑到那个让缺失线索现形的实验」。

三个案例落到同一句话上：一个通用的机制，并不意味着「从不改变」；它指的是那种「每次修改都保住了先前的解释框架、并且压低了新关卡的代价」的机制。搜索只在它所依据的世界模型之内才算完备：一旦缺的那个物体、状态变量或转变被表示出来，现成的验证器和规划器往往就够了；可要是观察分不清哪个才是对的表示，同一套机制也会去验证并穷举一个错的表示。

一个新的起点

ARC-AGI-3 是这个飞速演进的领域里一个重要的基准。3 月它上线时，领先的前沿 Agent 只有 0.51 分；到 7 月，最好的官方 Sol Max 在公开集到 13.33、半公开集 7.78，而自评结果一度爬到每局 RHAE 均值 58.12 分。

Schema 自评的 98.98 分，是这条轨迹的延续，不是断裂。原文自己把话说清楚了：这里每一个数字都只在 25 局公开游戏上测过。Sol max 提供了唯一一个跨评测集的官方校准点（公开 13.33 对半公开 7.78），但这不足以把一个接近满分的公开成绩往半公开集上做数值外推：公开的 98.98 到了半公开会变成多少，在测出来之前无人知道。可拿到的运行材料只记录了公开集，所以这篇发布没有做「固定外壳」或「留出集表现」的声明。另外，两个成绩都是自评、未经 ARC Prize 独立核验，图里的 Sol 曲线也是在完整评测材料发布前、从原始图表起出来的暂定值。

研究者把一个被刷到饱和的 ARC-3 读成一个新的起点：让「机制发现」成为一种通用能力：通过行动与感知的智能体循环，去把一个世界的因果结构接地，而这个世界，要比 64×64 的格子丰富得多。那是他们想去的方向。

关键的原料其实早就在冒头：能适应陌生环境的前沿模型、编程智能体外壳、以及程序化的世界模型。Schema，是把它们拢到一起的那套系统。 Impossible Research，Schema 发布博客

Schema 是一层「外壳」（harness，指不碰模型本身，只安排画面怎么喂进去、让它怎么想、决定怎么变成动作的那层机制）。它逼 AI 换个玩法：先把这一局的规则写成一段能真正跑起来的小程序，拿之前走过的每一步回放验证，全对上了，才在这段程序里搜下一步。

同一个 Opus 4.8 加 Fable 5，模型一个字节没改，只换掉外壳，分数就从 43 跳到 99。可为什么「写成程序」这一下差这么多？

AI 打游戏，一直是「边玩边猜、走错接着走」。Schema 逼它换成一个循环：先把规则写成程序，验证过了才动手。

这个 99 分不是「25 局解出了几局」，而是拿 AI 每关的步数去比人类第一次玩的步数，省得越多分越高，还带平方惩罚。换成「同一关要走多少步」最直观：