Une nouvelle étude déposée sur arXiv examine un point clé pour les agents de codage appliqués à **ARC-AGI-3** : quelles briques expliquent réellement les performances observées ? Les auteurs comparent quatre variantes imbriquées d’un agent basé sur Codex : une version textuelle de référence, une version avec **modèle du monde exécutable** sans vérification, une version ajoutant une **simplification planifiée**, puis un traitement complet avec **vérification par rejeu exact**.
L’évaluation principale porte sur les jeux publics d’ARC-AGI-3 avec **gpt-5.4** et **gpt-5.5**, à différents niveaux d’effort de raisonnement. Premier constat : toutes les variantes progressent avec un modèle plus fort et davantage de calcul. En revanche, à réglage donné, les écarts entre approches sont plus faibles qu’attendu. Autrement dit, la qualité du modèle et l’effort de raisonnement semblent peser au moins autant que l’architecture de l’agent elle-même.
Sur le fond, les résultats nuancent plusieurs intuitions. Le fait d’imposer un livrable exécutable persistant n’apporte pas un bénéfice systématique : dans les deux configurations testées avec **gpt-5.5**, la variante textuelle surpasse même la variante exécutable à interface flexible. La **simplification** améliore les performances dans trois réglages sur quatre, sauf dans le plus faible. Quant à la **vérification complète**, elle se classe première dans les quatre cas, au prix d’une consommation de ressources nettement plus élevée.
Les auteurs ajoutent un suivi exploratoire avec **gpt-5.6-sol**. Dans ce cadre, la variante avec vérification résout entièrement tous les jeux publics testés, atteint environ **99 % de RHAE** et utilise moins de la moitié des actions du niveau de référence humain. Prudence toutefois : le modèle est postérieur à ces jeux et aucune évaluation sur données tenues à l’écart n’est encore rapportée. Les auteurs invitent donc à lire ce résultat comme une **saturation du jeu public**, et non comme une preuve générale de robustesse.