ARC와 유사 벤치마크는 AI 모델의 새로운 추론 능력을 평가하지만, 성공이 실제 규칙 추론에서 온 것인지 지름길 활용에서 온 것인지 불분명한 경우가 많다. 연구팀은 Vision ARC(VARC)에서 트랜스포메이션 규칙을 나타내는 학습 가능한 임베딩만 먼저 미세조정한 뒤 이를 고정하고 백본을 미세조정하는 2단계 테스트 타임 학습(Embed-TTT)을 제안했다. ARC-AGI-1, ConceptARC 및 규칙이 알려진 두 개의 통제 데이터셋에서 Embed-TTT는 실제 과제 규칙과 더 잘 정렬되는 임베딩을 일관되게 만들어내 임베딩 기반 검색과 선형 프로빙 정확도를 높였다. 전체 모델 파라미터의 0.01% 미만인 태스크 임베딩만 최적화해도 ARC-AGI-1 등에서 상당수 과제를 이미 해결했으며, 전체 2단계 파이프라인은 최종 성능을 더 끌어올렸다. 이 결과는 ARC류 평가에서 규칙 추론과 규칙 실행을 더 명확히 분리해야 함을 시사하며, 분포 내외 규칙을 구분하는 벤치마크 설계에 동기를 제공한다.

• •Embed-TTT는 태스크 임베딩만 먼저 미세조정한 뒤 백본을 미세조정하는 2단계 테스트 타임 학습 기법이다
• •전체 파라미터의 0.01% 미만인 임베딩만 최적화해도 ARC-AGI-1 등에서 상당수 과제를 해결한다
• •Embed-TTT로 얻은 임베딩은 실제 규칙과 더 잘 정렬돼 검색·선형 프로빙 정확도가 향상된다
• •규칙 간 보간은 가능하지만 외삽은 되지 않음을 확인했다