تواجه نماذج اللغات الضخمة (LLMs) تحديًا كبيرًا عندما يتعلق الأمر بإكمال المهام في بيئات غير مألوفة تحتوي على قواعد غير معروفة. في هذا الإطار، يعمد الوكلاء الحاليون إلى توثيق اكتشافاتهم في نصوص أدبية، وهو ما قد لا يقدم صورة دقيقة حول كيفية عمل هذه البيئات.

إلهامًا من كيفية تنظيم العلماء لملاحظاتهم ضمن نظريات اختبارية وقابلة للتنبؤ، تم تقديم "Schema" كأداة جديدة. هذه الأداة تعمل على تنظيم التعلم والإجراءات من خلال تحفيز البرامج التفاعلية (Interactive Program Induction). تتمثل فكرة "Schema" في تمكين الوكيل (Agent) من اتخاذ قرارات حول ما يجب التحقيق فيه وكيفية التصرف، معبرًا عن فهمه المتطور للبيئة من خلال برامج قابلة للتنفيذ.

يتكون "Schema" من مساحة عمل دائمة للبرامج ومجموعة صغيرة من الواجهات لفحص هذه البرامج استنادًا إلى تاريخ التفاعلات، والتخطيط داخلها، وتنفيذ الخطط مع التحقق خطوة بخطوة. وقد أسهم "Schema" في رفع نتيجة أداء ARC-AGI-3 RHAE من 58.7% إلى 99.2% باستخدام نفس النموذج الأساسي، كما أنه حقق نسبة نجاح 100% في ألعاب DiG-bench العامة ووصل إلى الأداء المتوسط لأفضل 50 لاعبًا بشريًا في MazeBench.

تظهر التقييمات الشاملة فعالية "Schema" في اكتشاف الآليات غير المعروفة، وتؤكد التحليلات التفصيلية مساهمة كل عنصر في الأداء العام.