清华姚期智团队：让 AI 在陌生的游戏里自己总结规则，再用 Lean 证明「这关不可能过」，GPT-6 Astra 和 Opus 5.5 都没做到 · 事件

为什么重要：现在的模型能在 ARC-AGI-3 上刷到接近满分，但论文指出，它们拿出的多半是能过关的操作记录，而不是可以检验的规律。我的立场是：这篇论文真正有价值的地方不在分数，而在于它让「AI 的判断」变成可以审查的东西：每条规则写得出来，每个结论都能追溯到它依赖的规则，出错时能定位是哪一条错了。对智能体落地来说，这比再多几分基准成绩更重要：企业需要的不只是 AI 做成了，还要知道它为什么认为做不到。反方检验：实验限于离散、确定、反馈即时的小游戏；Lean 只保证在 AI 学到的规则下推理正确，规则本身错了证明照样成立，六份证明中有五份能迁移到真实游戏引擎；在标准评测框架下，配了适配器的 GPT-6 Astra 和 Memento 3 也能拿到 100 分；论文未经同行评审。