為什麼 512x512 比 256x256 好
V23 用 MULTIMODAL_UPSCALE=4 拿到 local mean 3.008。我假設 256x256 vision 失去了 ARC-AGI-3 cover predicate 與 co-location win condition 所需的 sub-cell pattern,512x512 應該能保留它們。V24 是單一變數改動:MULTIMODAL_UPSCALE = 8(原 4),沒有其他改動。Local mean 升到 4.984(+66%),LB 升到 2.56(+1.03)。這是整個 33 天 campaign 中最乾淨的歸因實驗。
V23 的瓶頸在哪
V23 用 MULTIMODAL_UPSCALE=4 拿到 local mean 3.008。我假設 256x256 vision 失去了 ARC-AGI-3 cover predicate 與 co-location win condition 所需的 sub-cell pattern。512x512 應該能保留它們。
V24 是單一變數改動:MULTIMODAL_UPSCALE = 8(原 4)。沒有其他改動。這是整個 33 天 campaign 中最乾淨的歸因實驗。
一行 patch
Patch 是一行:
# V23
'MULTIMODAL_UPSCALE': '4',
# V24
'MULTIMODAL_UPSCALE': '8',
Patch 在 Cell 5(pre-setup)套用,在 TAAF setup command 跑之前,遵循從 V15 學到的 dvm env var 注入 pattern。
驗證:stdout 含 v24: Patched MULTIMODAL_UPSCALE to 8 (512x512 vision)。TAAF setup command 讀到 env var 並據此設定 solver。
單一變數,最乾淨的歸因
| 參數 | V23 | V24 | 理由 |
|---|---|---|---|
| MULTIMODAL_UPSCALE | 4(256x256) | 8(512x512) | 保留 sub-cell pattern |
| FP8 KV cache | enabled | enabled | 未變 |
| model | Qwen3.8-27B-FP8 | Qwen3.8-27B-FP8 | 未變 |
| source bundle | anim bundle | anim bundle | 未變 |
| temperature | 0.6 | 0.6 | 未變 |
| context window | 32768 | 32768 | 未變 |
| n_passes | 1 | 1 | 未變 |
+66% local, +1.03 LB, 52% transfer
- Local mean: 4.984
- Baseline(上一版): V23 local 3.008
- Local delta: +1.976(+66%)
- LB score: 2.56
9 個 patch 全部 fire 且配置正確
| Patch | 是否 fire? | Marker |
|---|---|---|
| FP8 KV cache | yes | ENABLE_FP8_KV=True + –kv-cache-dtype fp8 in vLLM launch |
| MULTIMODAL_UPSCALE=8 | yes | Patched MULTIMODAL_UPSCALE to 8 (512x512 vision) |
| Qwen3.8 model | yes | Qwen/Qwen3.8-27B-FP8(vLLM 啟動 log 確認) |
| writable bundle copy | yes | refreshing writable bundle copy |
| reasoning effort cap | yes | reasoning_effort: ‘high’ |
| noop guard verified | yes | hard_noop_guard = True |
| temperature set | yes | temperature’: 0.0 |
| context window set | yes | ANALYZER_CONTEXT_WINDOW = 32768 |
| vLLM server started | yes | vLLM server ready |
sub-cell pattern 為什麼重要
LB 2.56,比 V23 的 1.53 +1.03。Local mean 4.984,比 V23 的 3.008 +66%。Local 改善有 52% 反映在 LB 上(+1.03 / +1.976),這是整個 campaign 最高的 transfer rate。

為什麼 MULTIMODAL_UPSCALE=8 這麼重要?
ARC-AGI-3 hidden games 包含 cover predicate(每個 kind A 物件最終要跟 kind B 物件共位)與 pixel-level equality(workspace 區域要等於參考區域)。256x256 下 sub-cell pattern 丟失,solver 無法區分兩個形狀相似的物件。512x512 下 solver 可以。

4x token 增加(256x256 = 65k tokens,512x512 = 262k tokens 處理前)被 FP8 KV cache 與 32k context window 吸收。Vision tokens 每次觀察處理一次,不是跨整個遊戲保留。
結果:solver 能從第一 frame 讀出 win condition(依 busyaprime 公開 kernel 的發現「the goal is usually already drawn on the first frame」)並執行動作滿足它。
這是唯一一次所有 9 個關鍵 patch 同時 fire 且配置正確的提交。V25 會因為拿掉 FP8 KV、WBC、RE cap、NG 而破壞這個。
V25 的疊 grafts 計畫
V25 會在 V24 上加 7 個 TAAF grafts(winframe、goalkeep、clockwatch、hudmask、clickmap、searchmap、lawbook)。目標 LB 3.0+。假設是在 V24 的 winning config 上疊 grafts 應該複合。