Polybee AI Research · Publicação 01
F3-AGI v4.0
Raciocínio abstrato com arquitetura neuro-simbólica, inferência ativa e eficiência amostral.
Uma investigação sobre como aprender com poucos exemplos, sintetizar programas e explorar ambientes sob restrições de computação.
FISHER
FRUGALITY
Preprint sem revisão por pares. O código está publicado, com DOI do artefato de software no Zenodo. A publicação do manuscrito no arXiv aguarda endosso. Os resultados são avaliações locais de pesquisa, não pontuações oficiais do ARC Prize.
01 / Resumo científico
Menos exemplos.
Mais estrutura para raciocinar.
O F3-AGI v4.0 investiga a indução de transformações algorítmicas a partir de poucas demonstrações, combinando síntese de programas, aprendizagem contínua e inferência ativa em uma arquitetura CPU-first.
Em tarefas de raciocínio abstrato, diferentes programas podem explicar os mesmos exemplos e falhar em novas entradas. O trabalho aborda essa multiplicidade de hipóteses com restrições estruturais e de complexidade, reparo de erros locais e controle da exploração.
São propostos três mecanismos: F3-Metabolic-Optim, que combina plasticidade condicionada a erro, pré-condicionamento Fisher-EMA e gating por ATP virtual; AACR com síntese de patches residuais, que busca composições em uma biblioteca de 30 operadores; e uma projeção aleatória normalizada em 512 dimensões, usada para orientar a exploração e descartar ações sem efeito.
O manuscrito apresenta três estudos empíricos separados: um fluxo sintético de aprendizagem contínua, o conjunto público de avaliação do ARC-AGI-1 e uma suíte interativa local inspirada no ARC-AGI-3. A contribuição é uma arquitetura e sua avaliação nesses contextos; o trabalho não demonstra inteligência artificial geral.
02 / Evidência empírica
Três estudos.
Escopos explicitamente separados.
Resultados reportados no preprint e nos registros do repositório. A página institucional não representa uma reprodução independente dos experimentos.
ARC-AGI-1 · avaliação pública local
57 soluções exatas em 400 tarefas.
| Recorte | pass@1 | pass@2 | Interpretação |
|---|---|---|---|
| Calibração · 50 tarefas | 19/50 · 38,00% | 19/50 · 38,00% | Demonstrações usadas no desenvolvimento da biblioteca. |
| Não inspecionado · 350 tarefas | 37/350 · 10,57% | 38/350 · 10,86% | Recorte de generalização reportado pelo autor. |
| Total · 400 tarefas | 56/400 · 14,00% | 57/400 · 14,25% | Combina os dois recortes acima. |
Como ler: pass@1 considera a primeira tentativa; pass@2 aceita uma solução exata em qualquer uma das duas. O conjunto de 50 tarefas informou o desenho de operadores, portanto seus 38% não equivalem a generalização sem inspeção.
- Tempo total observado
- 647,5 s
- Média nas 400 tarefas
- 1,62 s/tarefa
- Patches autônomos no recorte não inspecionado
- 7 tarefas
Aprendizagem contínua · fluxo sintético
Plasticidade seletiva com retenção de tarefas.
Fluxo de cinco tarefas sequenciais, duas classes por tarefa, vetores de 64 dimensões e 6.000 passos online, sem replay. O ensaio isola a estabilidade de memória e o custo de atualização; não é uma avaliação de aprendizagem sobre grades ARC.
O custo de plasticidade M₁ foi de 2.736,81, contra 7.986,85 no EWC: redução de 65,7% nesse proxy. M₁ representa a soma L₁ das alterações nos pesos, não consumo elétrico medido.
Fontes: preprint, tabela 2 · ablação e configuração ↗
Exploração interativa · suíte local
15 níveis concluídos em cinco jogos.
Ambientes locais de grades 64 × 64, três níveis por jogo e sem instruções em linguagem natural. A suíte é inspirada no ARC-AGI-3; não é o benchmark oficial nem uma submissão pontuada pela competição.
A métrica de eficiência pondera os níveis com pesos 1, 2 e 3. A média sem ponderação foi de 90,72%. Na ablação, a versão de inferência ativa sem poda de assinaturas alcançou 46,24% na medida ponderada, com 32 ações sem efeito.
Fontes: preprint, tabelas 6–7 · resultados por agente e jogo ↗
03 / Metodologia
Restrições como parte
do desenho do sistema.
Cinco níveis. Uma arquitetura.
- Nível 4Consolidação e workspace global
Memória NREM, biblioteca de operadores e transferência de regras.
- Nível 3Síntese, reparo residual e exploração
AACR, ResidualPatchSynthesizer e projeção aleatória normalizada em 512D.
- Nível 2Memória metaplástica
Pré-condicionamento Fisher-EMA e regularização de âncoras.
- Nível 1.5Controle bioenergético e complexidade
Gating por erro, orçamento virtual de ATP e critério MDL.
- Nível 1Percepção multiescala
Extração de invariantes topológicos e representação de cenas.
Síntese institucional da arquitetura descrita no manuscrito. Os componentes são avaliados em estudos distintos.
Síntese de programas
Invariantes extraídos das demonstrações orientam uma busca em biblioteca paramétrica. Uma checagem no menor par permite rejeição antecipada de candidatos incompatíveis; a avaliação usa os pares de demonstração disponíveis.
Correção residual
O Cycle-3 busca patches locais quando a transformação global está próxima da solução. No recorte de 350 tarefas não inspecionadas, sete soluções foram atribuídas a esse mecanismo.
Plasticidade condicionada
O F3-Metabolic-Optim combina atualização seletiva por erro, pré-condicionamento Fisher-EMA e um orçamento bioenergético virtual para investigar o compromisso entre adaptação, retenção e custo de plasticidade.
Exploração com memória
Uma projeção aleatória fixa, normalizada em 512D, dá suporte à medida de cobertura de estados. O DeadSignatureTracker registra ações sem efeito para evitar sua repetição.
Condições experimentais reportadas
Execução local em notebook com 16 GB de RAM, motor NumPy CPU-first e footprint reportado abaixo de 400 MB. Sementes e configurações estão documentadas nos scripts e registros. Tempos de execução dependem do hardware e da execução; não há intervalos de confiança nesta síntese.
04 / Alcance e limitações
O que estes resultados
permitem concluir.
- Calibração e generalização são recortes diferentes.
Dez operadores foram desenvolvidos após inspeção de demonstrações nas primeiras 50 tarefas. O resultado de 38/350 no recorte não inspecionado é a referência de generalização reportada pelo estudo.
- Avaliação pública não é pontuação oficial.
As 400 tarefas pertencem ao corpus público ARC-AGI-1, avaliadas localmente. A suíte interativa também é local. Não se trata dos conjuntos privados nem de resultados oficiais do ARC Prize.
- Os ensaios não cobrem todos os domínios de inteligência.
A aprendizagem contínua usa dados sintéticos. O módulo 512D é uma projeção analítica aleatória, não um encoder JEPA treinado de ponta a ponta. Não há demonstração de AGI.
- ATP virtual e M₁ são modelos de custo.
Esses mecanismos não equivalem a medições de energia em joules ou de consumo elétrico do equipamento. Eficiência bioinspirada e economia energética física devem ser distinguidas.
- Há hipóteses abertas de avaliação.
A segunda tentativa acrescentou apenas uma solução exata no conjunto completo. Avaliações independentes, múltiplas execuções e testes em novos conjuntos são necessários para examinar robustez e transferência.
Base: seção 6 do manuscrito. O roteiro futuro inclui ARC-AGI-2 e consolidação híbrida Wake-Sleep; esses passos não são apresentados como resultados já obtidos.
05 / Ciência aberta
Leia. Examine.
Reproduza.
Baixar o PDF (697 KB) · ORCID 0009-0004-2730-292X ↗
Reprodução dos estudos
O README do repositório descreve instalação, dependências e comandos de execução. O software é distribuído sob licença MIT. Consulte as condições de cada dataset e dos demais materiais antes de reutilizá-los.
| Estudo | Ponto de entrada | Evidência pública |
|---|---|---|
| Aprendizagem contínua | f3_metabolic_optim.py | Configuração e resultados ↗ |
| ARC-AGI-1 público | kaggle_submission/f3_agi_v4_kaggle_submission.py | Relatório das 400 tarefas ↗ |
| Suíte interativa local | f3_agi_v4_arc3_runner.py --ablation | Ablação de quatro agentes ↗ |
Notebooks no Kaggle
Explore os três estudos em formato notebook, com acesso direto no Kaggle.
Título original do manuscrito
F3-AGI v4.0: Bioenergetically-Gated Active Inference, Metaplastic Preconditioning, and Residual Program Synthesis for Sample-Efficient Abstract Reasoning
06 / Referência
Como citar este trabalho.
Use a referência do manuscrito para discutir o artigo e a referência do software para identificar a versão executada. O DOI abaixo pertence ao artefato de software; ele não é um identificador arXiv do manuscrito.
Oliveira, H. (2026). F3-AGI v4.0: Bioenergetically-Gated Active Inference, Metaplastic Preconditioning, and Residual Program Synthesis for Sample-Efficient Abstract Reasoning. Polybee AI Research Laboratory. Preprint, 29 de outubro de 2026.
@misc{oliveira2026f3agi_preprint,
author = {Henrique Oliveira},
title = {F3-AGI v4.0: Bioenergetically-Gated Active Inference,
Metaplastic Preconditioning, and Residual Program
Synthesis for Sample-Efficient Abstract Reasoning},
year = {2026},
month = oct,
howpublished = {Polybee AI Research Laboratory, preprint},
url = {https://polybee.ai/research/f3-agi-v4/},
note = {Manuscript dated 2026-10-29. Not peer reviewed.}
}Oliveira, H. (2026). F3-AGI v4.0: CPU-First Neuro-Symbolic Reasoning (v4.0.0) [Software]. Zenodo. 10.5281/zenodo.23816665.
@software{oliveira2026f3agi_software,
author = {Henrique Oliveira},
title = {F3-AGI v4.0: CPU-First Neuro-Symbolic Reasoning},
year = {2026},
version = {4.0.0},
publisher = {Zenodo},
doi = {10.5281/zenodo.23816665},
url = {https://github.com/henrique-polybee/f3-agi-v4}
}Pesquisa em diálogo
Reproduzir, questionar
e construir junto.
Recebemos comentários técnicos, relatos de reprodução e propostas de colaboração. Para discutir código e experimentos, use o repositório. Para parcerias de pesquisa, fale diretamente com a Polybee.