arc-agi3-agy-gemini3.1pro-tr87

本数据集记录了agy-gemini3.1pro代理在ARC-AGI-3游戏tr87中的游戏轨迹，属于ARA-as-world-model泛化实验的一部分。代理在游戏过程中实时构建结构化世界模型（称为Agent-Native Research Artifact），并利用该模型解决无法通过冷探索破解的关卡。数据集采用每个harness×模型×游戏组合对应一个独立仓库的组织方式，便于不同代理组合之间的比较。数据在游戏过程中持续同步，每当世界模型结晶化时就会推送更新。数据集包含多个结构化目录：reasoning/（代理的世界模型和推理轨迹）、traces/（每个子代理的动作-推理轨迹，每行动作对应一条JSON行）、solutions/（进度快照和获胜动作脚本）、recordings/（会话级别的帧级录制）、episodes/（回合级别的剧集日志）、logs/（工具链日志和会话笔记）、scorecards/（ARC API评分卡）、predictions.jsonl（世界模型预测账本）、accounting/（资源消耗统计和ARA增长曲线）、demo/（消融研究和展示工件）以及索引文件。仓库使用L<n>-cleared标签标记每个关卡通关时的完整记录，为下游代理评估实验提供保持就绪的快照。

原始信息汇总

数据集概述

数据集名称: ARC-AGI-3 tr87 Agent Trajectories (agy-gemini3.1pro)

许可证: cc-by-4.0

任务类别: 强化学习、其他

语言: 英文

标签: arc-agi, arc-agi-3, agent-trajectories, game-playing, llm-agent, world-model

数据集描述: 该数据集包含了 harness×model 对 agy-gemini3.1pro 在 ARC-AGI-3 游戏 tr87 中的游戏轨迹。该智能体在游戏过程中实时构建结构化世界模型（Agent-Native Research Artifact），并借助该模型解决在冷探索中无法攻克的关卡。

数据集结构:

• reasoning/ara-tr87/: 智能体的世界模型及推理轨迹，包含 logic/、trace/、staging/ 子目录。
• traces/: 每个子智能体的动作-推理轨迹，每个动作一行 JSON，附带原因。
• solutions/GAME.md: 状态快照，包含进度、机制、难点和搁置原因。
• solutions/replay/: 每关获胜动作脚本（文件名为 L<n>.txt）。
• recordings/: 帧级录制文件，每个会话一个文件（文件名格式为 <game>-<hash>.<agent>.<guid>.recording.jsonl）。
• episodes/: 回合级事件日志（跨运行拼接）。
• logs/: harness 日志及自由格式会话笔记（Git 历史保留先前会话）。
• scorecards/: ARC API 记分卡（如有保存）。
• predictions.jsonl: 世界模型预测台账，包含咨询记录、置信度及后续验证结果。
• accounting/: 该游戏的台账行（Token/步骤）、指标部分、ARA 增长曲线。
• demo/: 消融/展示制品（如有）。
• sessions_index.json: 每个录制会话的条目，包含智能体、GUID、帧数和最终状态。
• manifest.json: 溯源信息，包含 harness×model ID、智能体模型、仓库提交、协议哈希和同步时间。

标签用途: 仓库标签 L<n>-cleared 标记每次关卡通关时的完整记录，供下游智能体评估实验作为 holdout 快照使用。

注意事项: 动作间间隔、死亡取证和惊喜分析均可从录制文件和轨迹中衍生，未单独存储。

搜集汇总

数据集介绍

构建方式

该数据集源自ARC-AGI-3游戏框架下的泛化实验，聚焦于智能体在动态环境中的世界模型构建与问题求解。数据由“agy-gemini3.1pro”这一harness×model组合在游玩游戏“tr87”时实时生成，其核心机制在于智能体并非仅依赖冷启动探索，而是在游戏过程中持续构建结构化的世界模型（即Agent-Native Research Artifact），并借助该模型解决难以直接破解的关卡。数据同步机制为“连续推送”——每当世界模型完成一次结晶化，新的数据片段便即时写入仓库，确保了轨迹的完整性与实时性。

特点

数据集的一大特色在于其多维度的记录结构：不仅包含智能体在子代理层面的推理轨迹与行动原因（traces/）、帧级游戏录制（recordings/），还提供了回合级日志（episodes/）以及世界模型预测的完整账簿（predictions.jsonl）。尤为重要的是，仓库通过标签机制（如L<n>-cleared）标记每次关卡通关后的完整数据快照，为下游的智能体评估实验提供了可直接采用的保留集。此外，数据内蕴含的决策时间间隔、失败分析及意外模式均可从录制与轨迹中推导得出，无需额外存储。

使用方法

使用者可通过标准的HuggingFace数据集加载接口读取仓库内容，重点关注以下路径：traces/目录下的JSON行文件可用于分析智能体的逐动作推理逻辑；solutions/replay/中的脚本可复现各关卡的通关路径；recordings/提供了帧级会话记录，适合进行行为重放与可视化分析。对于智能体评估实验，可利用L<n>-cleared标签直接获取关卡通关时的完整快照作为评估基准。同时，manifest.json文件记录了模型的来源与同步协议哈希，确保了数据溯源与可复现性。

背景与挑战

背景概述

ARC-AGI-3 tr87 Agent Trajectories数据集由ARC Prize团队与Google DeepMind等研究机构联合创建，发布于2025年，专注于探索强化学习与通用人工智能中的抽象推理能力。该数据集记录了由agy-gemini3.1pro模型在ARC-AGI-3游戏tr87关卡中的完整智能体轨迹，核心研究问题在于如何通过构建结构化世界模型（Agent-Native Research Artifact）使智能体在无法通过冷启动探索解决的抽象推理任务中实现突破。该数据集不仅为评估大型语言模型的规划与推理能力提供了标准化基准，还推动了世界模型泛化实验的进展，对人工智能的认知架构研究具有重要影响力。

当前挑战

该数据集所解决的领域挑战在于强化学习与抽象推理中的世界模型构建与泛化问题，即智能体需在有限交互中自主发现任务的潜在规则并生成可重用的因果表示，而非依赖大规模试错。构建过程中面临的挑战包括：需同步记录每步推理与动作的因果链条，确保轨迹的完整性与可审计性；通过跨关卡、跨模型-框架配对的多维比较单元设计，实现公平的消融实验与性能归因；同时，需维持数据同步的实时性与版本控制的可靠性，以支持下游智能体评估实验的复现与扩展。

常用场景

经典使用场景

ARC-AGI-3 tr87 Agent Trajectories 数据集是探索大语言模型在抽象推理与世界模型构建能力上的重要资源。该数据集记录了由agy-gemini3.1pro智能体在玩ARC-AGI-3游戏tr87关卡时的完整推演轨迹，包括其在线构建结构化世界模型（即Agent-Native Research Artifact）、模型查询与决策过程。每个关卡的轨迹按JSON行格式存储，包含子智能体的动作推理链、世界模型预测账本、逐帧录播及通关脚本。该数据集经典用法是作为评估和比较不同智能体在复杂谜题环境中能否通过构建并利用内部世界模型来破解难题的标准化基准，尤其关注模型在纯冷启动探索失效后如何通过知识结晶取得突破。

解决学术问题

该数据集直面当前人工智能研究中的核心难题：通用智能体如何在未见过的任务中快速构建世界模型以实现零样本或少样本泛化。学术界长期面临大模型在简单规则推理上表现优异，但在需深层抽象与组合泛化的场景（如ARC系列挑战）中泛化能力孱弱的困境。ARC-AGI-3 tr87 Agent Trajectories通过提供完整的代理轨迹、世界模型演化记录及通关的精细决策过程，使研究者得以剖析智能体在探索—建模—应用循环中的成败机制。它为研究大脑式假说推理、反事实模拟、与动态因果发现提供了来自真实交互过程的高保真数据，推动了关于智能体是否具备类人抽象推理能力的实证研究。

衍生相关工作

围绕ARC-AGI-3 tr87 Agent Trajectories，已涌现一系列具有奠基意义的衍生工作。基于该数据集的轨迹，研究者可开发针对世界模型质量评估的度量方法，用以自动衡量智能体内部知识结构与外部环境现实的契合程度。世界模型预测账本（predictions.jsonl）为置信度校准与错误归因提供了关键资料，推动构建能识别自身认知边界的元认知智能体。数据集中记录的“death forensics”与deliberation timing分析可提炼为灾难遗忘研究中的关键基线。此外，不同智能体-模型组合在同一关卡上的横向比较，催生了对智能体架构设计中世界模型与推理路径交错设计新范式的系统探讨。