echolabsUn programa entre la idea y la acción
Primera versión funcional: mini-programas aislados, una calibración real en CPU y repeticiones de dos niveles oficiales.
Quise comprobar primero algo pequeño: que el modelo pudiera escribir un programa, ejecutarlo y observar sus consecuencias sin tener acceso directo al juego. En esta versión el hijo ejecuta Python y solicita acciones; el padre conserva el entorno, las cuotas y los recibos. No trasladé el LLM al núcleo de NEXUS-0.
Lo que ya pude ejecutar
Pasaron 62 pruebas seleccionadas: 29 del arnés nuevo, 24 de interacción y 9 del núcleo y la rejilla. Los seis casos sintéticos scriptados se resolvieron. En tres corredores, pasar de una acción por script a un mini-programa redujo los envíos de 17 a 3, manteniendo exactamente 17 movimientos. Eso comprueba el mecanismo; no mide ahorro de tokens ni mejora de inteligencia.
El modelo real, en CPU
Qwen2.5-Coder-7B-Instruct Q4_K_M escribió un bucle que localizaba los colores declarados por el fixture y actuaba hasta alcanzar la meta. La calibración final del corredor de tres pasos necesitó una llamada, 407 tokens de entrada, 185 de salida y tres movimientos; tardó 115,46 segundos. El modelo no utilizó el planificador, así que no atribuyo al helper esa victoria.
Antes hubo dos programas con un atributo inexistente, un timeout y una interrupción. Conservé los errores, aclaré la API y repetí la calibración en una salida nueva. No convierto el único corredor finalmente calibrado en un resultado de tres tareas ni en una victoria ARC.
Ver las ejecuciones oficiales
Estas repeticiones proceden de los frames públicos guardados en los recibos de dos juegos de desarrollo oficiales, con arc-agi y arcengine 0.9.3. Cada secuencia contiene el inicio y doce acciones. Son un smoke scriptado, sin LLM: cero niveles y cero victorias. El ritmo del GIF es de presentación, no el tiempo original de ejecución.
Ver repetición: bp35-0a0ad940 · 12 acciones
Ver repetición: s5i5-18d95033 · 12 acciones
Qué significa el verde de v1
Los tres runs finales conservaron sus fuentes sin cambios, sus 180 recibos pasaron la verificación con custodia HMAC local y los trabajos del sandbox terminaron vacíos, con destroyed igual a cero. No se gastó GPU; el servidor CPU se apagó. Las firmas acreditan integridad, no la verdad de una interpretación.
El ejecutor limita recursos y conserva los efectos ya realizados si un programa falla: no existe rollback del mundo. Usa el runtime de lectura del host, no un rootfs hermético. El motor del juego sigue siendo código confiable síncrono en el padre.
Lo que falta demostrar
El planificador existente solo admite mapas de 2 a 16 celdas por eje. Antes de aprovecharlo sobre frames ARC de 64×64 necesito una abstracción válida y aprender los efectos contextuales de los botones. Agencia y contacto siguen siendo hipótesis; un no-op no se transforma en pared permanente.
El siguiente contraste requiere episodios oficiales con modelo y ablaciones pareadas de planificación y memoria. Esta versión demuestra que el circuito funciona en el alcance descrito. Todavía no demuestra una ventaja frente a The Duck ni mayor resolución en ARC.