Seorang peneliti independen telah mencapai skor state-of-the-art baru sebesar 29,4% pada benchmark ARC-AGI v2, melampaui skor terbaik sebelumnya sebesar 25%, dengan mengganti generasi kode Python dengan instruksi bahasa alami yang berevolusi melalui arsitektur komputasi waktu uji evolusioner.
Sistem ini menggunakan Grok-4 untuk menghasilkan instruksi bahasa Inggris sederhana untuk menyelesaikan tugas pengenalan pola abstrak, yang kemudian diuji dan disempurnakan melalui siklus revisi individu dan terkelompok. Pendekatan ini menghasilkan skor 79,6% pada ARC-AGI v1 dengan biaya $8,42 per tugas, menjadikannya 25 kali lebih efisien daripada preview o3 dari OpenAI.
Penulis berargumen bahwa LLM kesulitan dalam generalisasi karena "zona penalaran mati" di mana logika gagal di luar distribusi pelatihan, dan mengusulkan mengembangkan instruksi bahasa alami sebagai metode untuk menjembatani kesenjangan antara penalaran abstrak mirip manusia dan kemampuan AI saat ini.