ARCANA：一种用于ARC-AGI-2推理的反思性多智能体程序合成框架
ARCANA是一种协作式多智能体框架，用于在严格的测试时间和硬件约束下解决ARC-AGI-2任务。它将每个任务分解为迭代感知、假设生成、符号执行和反思性改进，通过共享可微分黑板和元控制器调度，结合结构化程序搜索与自适应多轮校正，显著提升了抽象变换任务的推理效率和解决方案质量。
2026年7月10日，研究人员向arXiv提交了一篇题为“ARCANA: A Reflective Multi-Agent Program Synthesis Framework for ARC-AGI-2 Reasoning”的论文，提出了一种名为ARCANA的全新框架，旨在解决ARC-AGI-2基准测试中的抽象推理任务。该框架在严格的测试时间和硬件资源限制下运行，通过多智能体协作实现了高效且准确的程序合成。
ARCANA的核心思想是将每个任务分解为四个迭代阶段：感知、假设生成、符号执行和反思性改进。在感知阶段，一个专门的感知基础智能体将原始网格输入转化为以对象为中心的场景图，提取关键视觉特征。随后，潜在程序策略智能体利用该场景图生成多样化的DSL程序假设。符号执行器负责在已知的输入-输出演示上验证这些候选程序的正确性。最后，反思智能体分析失败案例，生成有针对性的反馈，用于下一轮的改进。
这些智能体之间通过一个共享的可微分黑板进行通信，从而高效传递信息。此外，一个学习到的元控制器负责调度各智能体的活动，优化整体流程。这种设计将结构化的程序搜索与自适应多轮校正相结合，特别适合处理需要抽象变换的复杂任务。
实验结果表明，ARCANA在ARC-AGI-2基准测试上表现优异，在推理效率和最终解决方案质量方面均有显著提升。这一工作不仅展示了多智能体系统在程序合成中的潜力，也为未来研究提供了新的方向。论文的作者包括Kunbo Zhang等五位研究者，完整论文可通过arXiv获取（ID: 2607.09059）。