OPINE-World：基于本体误差优先交互探索的程序化世界建模

本文提出 OPINE-World，一种通过交互在线学习以对象为中心的程序化世界模型的 LLM 智能体。该方法耦合两个协作智能体，形成假设与测试循环：一个在环境中行动，另一个合成代码模型并进行回放验证及基于模型的规划。系统引入“本体误差”这一贝叶斯度量来引导探索。在 ARC-AGI-3 基准测试中，OPINE-World 无需每游戏训练即可解决 25 个游戏中的 20 个，动作效率得分达 78.4，显著优于人类基线，展示了其在未知环境中的高效适应与规划能力。