背景：ARC-AGI-3 为什么这么难？
ARC-AGI-3 给 agent 一个游戏环境，但不告诉它规则。每一步，agent 收到一个 64×64 网格（16 色）和一组合法动作。没有物体列表、没有规则说明书、没有目标描述、没有奖励函数。
只有一条路：科学家之路。agent 必须在世界模型尚不完备的状态下行动——先形成假说（网格代表什么？动作如何改变它？什么算成功？），然后在收集新观测的过程中不断修正自己的模型和计划。
这个 benchmark 自 2026 年 3 月发布以来，一直极其困难。其官方指标 RHAE（Relative Human Action Efficiency）将 agent 的动作效率与人类首次尝试对比。截至 7 月，前沿模型在 Semi-Private 集上的最佳验证成绩仅为 GPT-5.6 Sol 的 7.78%，Public 集上 13.33%。
物理学家式的思考
Schema 的设计哲学来自物理学方法论。物理学家在写定律之前，必须先决定这个定律是关于什么的——哪些观测是"物体"？哪些性质定义了"状态"？只有回答了这些问题，才能问"状态如何变化"。
Schema 把这两个问题形式化为两级抽象：
Level 1 · State Grounding（状态奠基）
从原始像素中发明物体、量、名称。没有人告诉你哪些像素是"玩家"、是"墙"、是"计数器"——agent 必须自己构造。
Level 2 · Mechanism Discovery（机制发现）
在奠基后的状态上，找到变化规律：(state, action) → state′，并将其写为可执行的程序 step()。
这两层不能独立解决。一个看似合理的状态表示，可能在后来的实验中被证伪——因为找不到一个一致的 transition rule 能解释所有结果。Schema 将状态表示和 transition rule 共同编码在同一个可编辑程序中。当观察与预测冲突时，agent 可以修改表示，也可以修改规则，然后更新另一方以恢复一致性。
论文用了一个绝妙的类比：Michelson-Morley 实验。Lorentz 保住了以太（level 1 不改），给规则打补丁（contraction hypotheses）来吸收零结果。Einstein 直接丢弃以太（改 level 1），让同时性变为相对，得到了更简洁的电动力学。ARC-AGI-3 要求 agent 在两个层面都能做这件事——而 Schema 做到了。
Schema 控制循环
Schema 的设计围绕一个四阶段循环展开：
| 阶段 | 操作 | 说明 |
|---|---|---|
| Observe | 接收原始网格 | 64×64 像素——其中每个"物体"都是 agent 自己发明的 |
| Deliberate | 开放推理环节 | 内层循环：theorize → certify → plan → commit，以提交动作队列结束 |
| Execute | 执行动作队列 | 每步用世界模型的预测做自检 |
| Record | 追加到 Timeline | append-only，每条真实 transition 都永久留存 |
在 Deliberate 的内部循环中：
- theorize / write_code：编辑对游戏的"理论"——写 step(state, action)
- certify / run_backtest：回放每一条已记录的 transition——完全匹配，或精确指出 bug
- plan / run_bfs：在认证后的程序内部搜索——零真实成本
- commit / commit_actions：从思维到行动的唯一通道
核心思想：latent world representation 是程序，不是向量。它是可解释的（纯文本文件，可读可 diff）、可验证的（对照记录的现实逐条回放）、可搜索的（程序即模拟器，内部规划零成本）。
效果：不是刷榜，是范式验证
Schema 在 Public 集 25 个游戏上的表现：
| 配置 | RHAE | 满分游戏数 | 中位游戏分 |
|---|---|---|---|
| Claude Opus 4.8 + Fable 5 | 98.98% | 19/25 | 100 |
| GPT-5.6 Sol xhigh + max | 95.35% | 20/25 | 100 |
| Claude Code 基线（同模型） | 42.83% | — | — |
| GPT-5.6 Sol 官方最佳单 variant | 13.33% | — | — |
固定 Claude 模型不变，Schema harness 相对 Claude Code 基线提升了 +56.15 个百分点。这个数字说明：怎么用模型，比用什么模型，重要得多。
关键观察：让程序替你做实验
论文中最漂亮的发现：在 25 个游戏中的 14 个里，agent 诱导出的程序世界模型精确再现了其历史记录。在这些游戏中，agent 动作用量是人类的 1.6–5.0 分之一。
原因是一个质的转变——agent 只在"发现机制"这一步花真实动作，之后的所有规划都在模型内部零成本完成。这依赖两个能力：
- 对照完整历史做验证：每条真实 transition 都记录在 append-only Timeline 中。run_backtest 用全部历史检验每个候选规则，而非依赖记忆。因为记录不受上下文窗口限制，认证后的模型可以信任，无需再花动作做真实环境测试。
- 在可复用的模拟器内部做规划：一旦 step() 和 is_goal() 被认证，BFS 可以探索 10³–10⁴ 个建模状态而不花一个环境动作。而且模型以代码形式持久存在，这个"免费规划"在后续每个 level 都继续有效。
最极端的案例是 M0R0 Level 4：agent 用 42 步完成，人类基线是 500 步——恰好符合"为发现机制付一次成本，之后所有计划在模型内重算"的模式。
为什么叫 Schema？
Schema 这个名字暗含了它的设计哲学——认知心理学中的"图式"概念。图式不只是知识，更是组织经验的框架。Schema harness 做的事情本质上就是让 agent 在交互中构建一个可操作的世界图式：这不是从训练数据中蒸馏出来的统计模式，而是从交互中归纳出来的、可执行、可验证、可修正的程序。
这跟 MemoHarness（同属 harness 优化路线）形成了有趣的对比：MemoHarness 是从执行经验中优化 harness 本身的配置，而 Schema 是让 harness 引导 agent 构建一个可编程的世界模型。两者都指向同一个方向——harness 工程正在成为 agent 能力的关键分水岭。
坦诚的局限
Schema 团队非常坦率地声明了当前状态的限制：
- 98.98% 和 95.35% 是自报成绩（Public 集），未经 ARC Prize 独立验证
- Public 集的得分不能直接外推到 Semi-Private 集——Sol Max 在两者间的差异（13.33% vs 7.78%）足以说明问题
- 目前只公开了 Public 集的运行 artifact，未在 Semi-Private 集上做 frozen-harness 验证
但他们说得很对：如何在一个挑战性的 benchmark 上获得接近人类水平的成绩，本身就是有价值的——即使它是在公开子集上达成的。方法论的意义不取决于验证集的保密性。