代数世界模型：从环境探索到形式化数学证明

arXiv:2610.40503 [cs.AI]
Authors: Guancheng Pan, Qixin Tan, Yang Yuan, Andrew Chi-Chih Yao
Submitted: October 29, 2026
Subjects: Artificial Intelligence (cs.AI); Logic in Computer Science (cs.LO)
Project Page: Ephemeral6/awm-site

文章背景与核心概要

随着形式化数学与自动化定理证明技术的飞速发展，现代 AI 已经在已知公理体系下解决了大量高难度数学问题。然而在真实的探索场景中，更关键的挑战在于：面对一个完全未知的陌生环境，AI 智能体 (AI Agent) 能否自主总结抽象规律并完成严密的形式化数学推理？清华大学与图灵奖得主 Andrew Chi-Chih Yao 等人联合提出的“代数世界模型” (Algebraic World Model, AWM) 首次架起了这一关键桥梁。该框架让 AI 能够像科学家一样，从主动环境交互中迭代提取 Python 经验假设，再借助范畴论进行结构化化简，并将其转化为经 Lean 4 内核校验的严格证明。在具有挑战性的 ARC-AGI-3 基准测试中，AWM 展现出跨越经验的卓越泛化能力，为迈向兼具数学洞察与可靠性保证的下一代通用人工智能 (AGI) 提供了全新范式。

论文摘要概览

Abstract Summary

现代人工智能已经在数学领域取得了令人瞩目的里程碑式突破，不仅能够成功求解极具挑战性的前沿数学难题，还能生成经过机器严格验证的形式化证明代码 (例如使用 Lean 语言) 。然而，现有的推理系统普遍高度依赖于预先设定好的人类数学公理定义与形式化规范。这就引出了一个最为根本的核心问题：AI 智能体 (AI Agent) 究竟能否在一个完全未知的陌生世界中，自主展开严密的形式化数学推理？

Modern AI has achieved remarkable milestones in mathematics, successfully solving challenging problems paired with machine-checkable proofs (such as in Lean). However, these systems traditionally rely on pre-existing mathematical definitions and formal specifications. This introduces a fundamental question: Can an AI agent rigorously reason about an entirely unknown world?

本篇论文提出了代数世界模型 (Algebraic World Model, AWM) ，这是一套全新的理论与工程框架，成功弥合了“主动环境探索”与“显式形式化数学推理”之间的鸿沟。

This paper introduces the Algebraic World Model (AWM), a novel framework that bridges the gap between active environment exploration and explicit, formal mathematical reasoning.

AWM 的核心技术创新

Key Innovations of AWM:

交互式探索与假设检验：AWM 能够主动探索未知环境，基于实时观察数据以迭代方式构建、测试并优化可执行的 Python 假设代码。
结构形式化：该框架将这些零散的经验假设整理为具有类型系统的对象与共享规则，随后利用范畴论 (Category Theory) 指导的代数变换对其进行结构化精简。
在 Lean 4 中生成严密证明：精简后的世界模型在 Lean 4 定理证明器中完成形式化建模，从而严格证明环境的确定性保障，例如状态可达性以及逻辑不可行性 (不可达/不可能性证明) 。
全面超越前沿大语言模型基线：
在不可能通关的游戏关卡中，AWM 在全部 6 次测试运行中均成功构建出闭式、经 Lean 内核严格校验的形式化证明，证伪了任何合法通关序列的存在；相比之下，配备编程工具的大语言模型 (LLM) 基线 (Claude Opus 5.5 与 GPT-6 Astra) 在 12 次同等测试中生成的有效证明数量为零。
AWM 准确推导出了 6 个初始边界中的 4 个 (作为对比，Opus 5.5 仅得出 1 个，GPT-6 Astra 为 0 个) 。当收到“存在更低步数通关路径”的环境反馈后，AWM 成功自我修正了规则模型，最终在全部 6 个测试中达成了 6 个边界全部正确。
在 ARC-AGI-3 基准测试上的泛化表现：在全部 25 款公开的 ARC-AGI-3 游戏中，AWM 构建的高可解释性模型使得 Lean 能够成功重放所有 183 个关卡的获胜轨迹。它能够超越已知探索经验，精准预测未见状态转移并捕捉突发的游戏机制变化。在与 Claude Opus 5 配合下，AWM 以 99.9 的极高得分通关了全部关卡，且在经过形式化验证的获胜轨迹中仅消耗了人类基准动作数量的 43%。

Interactive Exploration & Hypothesis Testing: AWM actively explores unfamiliar environments, iteratively building, testing, and refining executable Python hypotheses based on real-time observations.

Structural Formalization: It organizes these hypotheses into typed objects and shared rules, subsequently simplifying them using category-theory-guided transformations.

Rigorous Proof Generation in Lean 4: The streamlined model is formalized within Lean 4 to prove strict environment guarantees, such as reachability and logical impossibility.

Surpassing LLM Baselines:

On impossible game levels, AWM constructed closed, kernel-checked Lean proofs disproving every legal winning sequence in all six test runs. In contrast, baseline models equipped with coding tools (Claude Opus 5.5 and GPT-6 Astra) produced zero proofs across twelve equivalent runs.

AWM correctly formulated 4 out of 6 initial bounds (compared to 1 for Opus 5.5 and 0 for GPT-6 Astra). When given feedback that a cheaper win existed, AWM successfully revised its rules and achieved 6 out of 6 correct bounds.

Generalization on ARC-AGI-3: Across all 25 public ARC-AGI-3 games, AWM's interpretable models allowed Lean to successfully replay winning trajectories for all 183 levels. It generalized beyond observed play to predict unseen state transitions and detect sudden mechanics shifts. Paired with Claude Opus 5, AWM cleared all levels with a score of 99.9, utilizing only 43% of the human baseline's actions for certified winning trajectories.