Résolution des énigmes ARC-AGI sans pré-entraînement : une approche basée sur la compression

Isaac Liao et Albert Gu présentent CompressARC, une nouvelle méthode qui s’attaque au benchmark ARC-AGI en utilisant la compression d’information sans perte. Sans pré-entraînement ni grands ensembles de données, cette méthode atteint une précision de 34,75 % sur l’ensemble d’entraînement et de 20 % sur l’ensemble d’évaluation, en s’appuyant uniquement sur la compression pendant l’inférence. L’idée principale est qu’une compression plus efficace est corrélée à des solutions plus précises. CompressARC utilise un décodeur de réseau neuronal et une descente de gradient pour trouver une représentation compacte de l’énigme, en inférant la réponse dans un délai raisonnable. Ce travail remet en question la dépendance conventionnelle à un pré-entraînement intensif et aux données, suggérant un avenir où des objectifs de compression personnalisés et un calcul efficace au moment de l’inférence débloquent une intelligence profonde à partir d’une entrée minimale.