论文导读
Impossible Research、加州大学伯克利分校与卡内基梅隆大学提出Schema，让Agent把未知环境规律写成可执行程序，再用历史转移逐步验证和修正。论文在ARC-AGI-3的RHAE指标上把同一基础模型从58.7%提高到99.2%，并在DiG-bench解开全部公开游戏；结果依赖给定工具与测试预算。
文字笔记很难直接回答下一步会发生什么
探索未知游戏时，Agent常把观察写成自然语言经验，例如“蓝块可能会旋转”。这种笔记含糊、彼此冲突，也难用于搜索。Schema要求模型把规则编码成程序：输入当前状态与动作，程序必须产出下一状态。任何历史转移都可立即做回测，猜错就得到具体反例，而不是继续堆叠口头解释。
图：Agent先写环境程序，用历史回测认证，再在程序中规划，并以新观测继续修正规则。
可执行规则把探索变成有目的的实验
系统先从屏幕提取对象与状态，提出候选机制；随后用工具运行程序，要求重现已经记录的全部转移。通过认证后，规划器才在内部模型中搜索动作。若真实观察与预测不符，执行立即停止，将差异作为反例送回规则修订。这样，探索动作既服务完成任务，也服务区分多个可能机制。
图：方法示意与柱状结果并列，右侧游戏画廊展示规则需要跨越的多种界面和机制。
99.2%来自持续验证，不是一次猜中
论文在ARC-AGI-3上报告RHAE由Claude Code基线的58.7%提升到99.2%；DiG-bench公开游戏的胜率由基础框架52.4%提高到90.5%，并解开全部公开游戏。提升并不意味着第一次生成的程序正确，关键在于回测工具能暴露反例，Agent会循环修订。私有关卡、视觉噪声和更大的状态空间仍会增加搜索压力。
图：案例展示规则程序怎样驱动迷宫规划，旁边的游戏集合说明评测并非单一关卡。
下一步是迁移到更难回滚的真实软件
程序化世界模型适合规则清晰、状态可观察的游戏。进入网页、桌面软件或机器人后，状态可能缺失，动作还可能不可逆。落地需要为程序加入不确定性、权限边界与人工确认，并让验证工具识别“尚未证明”而非强行给出确定规则。若这些约束成立，Schema式Agent可从经验笔记升级为可审计的操作模型。
面向真实软件，可以先把Schema程序限制在沙箱里，只允许预测下一状态和提出候选动作，不能直接操作生产数据。系统应保存每次假设、反例和程序版本，并要求关键规则通过最小测试集后才进入规划。环境更新后，旧程序必须重新认证，防止Agent沿用过期界面或权限逻辑。评估也要增加错误模型的危害：一个在大多数历史上正确、却在删除或付款动作上预测错误的程序，不能因为总体回放分数高就被批准执行。
