Sebuah solver baru untuk benchmark ARC-AGI-2 menggunakan pencarian berbasis modalitas dan penilaian jejak holistik untuk meningkatkan seleksi di antara kandidat penalaran. Dengan menghasilkan keluaran yang beragam di seluruh saluran teks, gambar, dan kode, serta menggunakan model penilai untuk membandingkannya dalam satu prompt, pendekatan ini secara andal mengidentifikasi hipotesis minoritas yang benar bahkan ketika jawaban mayoritas salah.
- Solver mencapai 72,9% pada set evaluasi semi-pribadi dengan biaya $38,99 per tugas, melampaui GPT-5.2 Pro (54,2%) dan Gemini 3 Pro (54,0%).
- Ia mencapai 76,1% pada set evaluasi publik dengan biaya $19,69 per tugas.
- Penulis mendokumentasikan bahwa templat prompting preskriptif dan penyempurnaan iteratif secara sistematis mengurangi keragaman hipotesis dan menurunkan kinerja.
Karya ini menyoroti pentingnya melestarikan keragaman hipotesis dalam tugas penalaran abstrak, menunjukkan bahwa memperlakukan modalitas penalaran sebagai operator pencarian lebih efektif daripada metode konsistensi diri (self-consistency) standar.