2026年7月10日，研究人員向arXiv提交了一篇題為“ARCANA: A Reflective Multi-Agent Program Synthesis Framework for ARC-AGI-2 Reasoning”的論文，提出了一種名為ARCANA的全新框架，旨在解決ARC-AGI-2基準測試中的抽象推理任務。該框架在嚴格的測試時間和硬體資源限制下執行，透過多智慧體協作實現了高效且準確的程式合成。
ARCANA的核心思想是將每個任務分解為四個迭代階段：感知、假設生成、符號執行和反思性改進。在感知階段，一個專門的感知基礎智慧體將原始網格輸入轉化為以物件為中心的場景圖，提取關鍵視覺特徵。隨後，潛在程式策略智慧體利用該場景圖生成多樣化的DSL程式假設。符號執行器負責在已知的輸入-輸出演示上驗證這些候選程式的正確性。最後，反思智慧體分析失敗案例，生成有針對性的反饋，用於下一輪的改進。
這些智慧體之間透過一個共享的可微分黑板進行通訊，從而高效傳遞資訊。此外，一個學習到的元控制器負責排程各智慧體的活動，最佳化整體流程。這種設計將結構化的程式搜尋與自適應多輪校正相結合，特別適合處理需要抽象變換的複雜任務。
實驗結果表明，ARCANA在ARC-AGI-2基準測試上表現優異，在推理效率和最終解決方案質量方面均有顯著提升。這一工作不僅展示了多智慧體系統在程式合成中的潛力，也為未來研究提供了新的方向。論文的作者包括Kunbo Zhang等五位研究者，完整論文可透過arXiv獲取（ID: 2607.09059）。