ARC-AGI-2 बेंचमार्क के लिए एक नया सॉल्वर तर्क उम्मीदवारों के बीच चयन को बेहतर बनाने के लिए मॉडैलिटी-ड्रिवन खोज और होलिस्टिक ट्रेस जजिंग का उपयोग करता है। टेक्स्ट, इमेज और कोड चैनलों में विविध आउटपुट उत्पन्न करके और एकल प्रॉम्प्ट के भीतर उन्हें तुलना करने के लिए एक जज मॉडल का उपयोग करके, दृष्टिकोण तब भी सही अल्पसंख्यक परिकल्पनाओं को विश्वसनीय रूप से पहचानता है जब बहुमत का उत्तर गलत होता है।
- सॉल्वर $38.99 प्रति कार्य पर अर्ध-निजी मूल्यांकन सेट पर 72.9% प्राप्त करता है, जो GPT-5.2 Pro (54.2%) और Gemini 3 Pro (54.0%) को पछाड़ता है।
- यह $19.69 प्रति कार्य पर सार्वजनिक मूल्यांकन सेट पर 76.1% तक पहुंचता है।
- लेखक ने दस्तावेजीकृत किया है कि निर्देशात्मक प्रॉम्प्टिंग टेम्पलेट और पुनरावृत्त परिष्करण व्यवस्थित रूप से परिकल्पना विविधता को कम करते हैं और प्रदर्शन को खराब करते हैं।
यह कार्य अमूर्त तर्क कार्यों में परिकल्पना विविधता को बनाए रखने के महत्व को उजागर करता है, यह प्रदर्शित करते हुए कि तर्क मॉडैलिटीज़ को खोज ऑपरेटरों के रूप में देखना मान्य स्व-संगति (self-consistency) विधियों से अधिक प्रभावी है।