Framework wieloetapowego łańcuchowania reguł został zaprojektowany do rozwiązywania abstrakcyjnych zadań poznawczych z benchmarku ARC-AGI-2. System przeszedł trening na 995 zadaniach spośród 1000, osiągnął wynik 105 spośród 120 w dalszej ewaluacji i rozwiązał 230 spośród 240 zadań testowych, demonstrując dokładność ponad 95 procent.
Architektura opiera się na trzech wzajemnie uzupełniających się solwerach. Pierwszy moduł to determinista detektor reguł, który identyfikuje transformacje poprzez analizę geometryczną, kolorystyczną i opartą na obiektach. Drugi element to engine komponowania wzorców, który odbudowuje wyjścia poprzez łączenie bloków, powtórzenia i heurystyki przestrzenne. Trzeci warstwa to abstraktywny moduł strukturalny, który wnioskuje relacje hierarchiczne i zagnieżdżone w siatach. Te solvery działają sekwencyjnie w progresywnej hierarchii fallbacku, gdzie każdy etap ponownie wykorzystuje ślady wcześniejszego rozumowania.
Osiagnięcie to istotne, ponieważ ARC-AGI-2 jest benchmarkiem mierzącym generalizację poznawczą - zdolność do wnioskowania i aplikacji abstraktnych reguł na podstawie ograniczonych przykładów. Framework wykazuje, że połączenie symbolicznego rozumowania z syntetyzowaniem wzorców może prowadzić do bardziej przejrzystych i interpretowjalnych systemów AI. Wyniki sugerują, że takie podejście może zbliżyć maszyny do rozumowania zgodnego z ludzką abstrakcją, stawiając przejrzystość ponad czarną skrzynią.