Pathway подобралась к GPT-5.6 Luna на ARC-AGI: её модель решает задачи в 11 раз дешевле

У GPT-5.6 Luna (Low) на том же наборе 34,2%. Точность ниже на 4,7 п.п., а задача обходится в 11 раз дешевле.

Как это работает. BDH-CQ не разворачивает chain-of-thought. Примеры задачи он складывает в рекуррентную память и крутит решение итерациями в латентном пространстве, декодируя только ответы-кандидаты. По заявке Pathway на каждый токен активируется около 5% нейронов вместо прогона всей модели.

Раньше очки на ARC покупались длиной рассуждения: модель проговаривала ходы токенами, и счёт рос вместе с точностью. Теперь Pathway показывает второй путь. Та же задача решается внутри памяти модели, и цена падает на порядок.

Взять можно код, а не модель. Базовая архитектура BDH лежит под MIT в репозитории pathwaycom/bdh: ставишь зависимости и запускаешь train.py. Предобученных весов там нет, обученный чекпоинт BDH-CQ не выложен. Доступ к самой модели Pathway даёт по обращению, дальше она подключается по API к приложениям на AWS.

Рядом Pathway открыла под MIT генератор arc-task-gen. Он делает свежие задачи в стиле ARC-AGI-1 под распределение публичного eval-сета и отдаёт их в стандартном для ARC формате, так что гонять можно привычными скриптами.

Результат независимо смотрел Лукаш Кайзер, соавтор Attention Is All You Need, а Ричард Чжун из NYU его воспроизвёл. Проверка шла вслепую, без доступа к весам. Препринт подан на arXiv 10 августа 2026.

Разрыв в 11 раз посчитан уже после того, как OpenAI 30 июля срезала цену GPT-5.6 Luna на 80%. Очки и цены Pathway взяла с публичного лидерборда ARC Prize Foundation по состоянию на июль 2026.