夜雨聆风七月的AI圈，又一声惊雷。
就在所有人以为ARC-AGI-3这块“AI智商天花板”还要再冰封几年的时候，Anthropic的Claude Opus 5一脚踹开了门，30.2%，把此前GPT-5.6 Sol保持的7.8%纪录直接碾了近四倍
就在几个月前，最强模型在这张卷子上的成绩还不到1%
这次进步呈现出断层式的跳跃。
▲ ARC Prize官方宣布新纪录：30.2%，前纪录7.8%，散点图上Opus 5的黄点孤悬于所有模型之上
什么是ARC-AGI-3？为什么它被称为“没法刷题的考试”？
先解释一下这张卷子为什么这么特殊
大多数AI基准测试，本质上都是做选择题，题库有限，模型见过类似题型，靠海量训练数据“背答案”就能拿高分
ARC-AGI-3换了一套考法。
它的全称是Abstraction and Reasoning Corpus（抽象与推理语料库），由深度学习框架Keras的创造者François Chollet提出，专门测量一种叫“流体智力”的东西，面对从未见过的全新问题，你能不能当场搞懂规则？
▲ ARC-AGI-3官方页面：像素风掌机界面，背后是大量从未见过的小游戏环境
而第三代ARC-AGI-3更是把难度拉满，它是一个交互式基准
想象一下：把你扔进一款规则未知、按钮功能不明的陌生游戏里，你只能靠自己点来点去，从稀疏的反馈中猜出规则、制定策略、通关
你得在缺少自然语言提示和任务描述的情况下，反复探索、试错、推理、再试
这就是为什么，当GPT-5.5在上面只拿到0.43%、Opus 4.7只拿到0.18%的时候，没有人觉得意外
这本来就是AI最不擅长的事。
从“趴在地板上”到“一脚起飞”：一条令人窒息的分数曲线
把时间线拉开看，这条曲线简直像心电图突然来了一下暴击：
- 2026年春
：GPT-5.5 → 0.43%，Opus 4.7 → 0.18% - 随后数周
：Opus 4.8小幅刷新至约1.5% - GPT-5.6 Sol登场
：一把拉到7.8%，已是“历史性突破” - 7月24日，Opus 5空降
：30.2%
从不到1%到30%，中间只隔了不到三个月
▲ 排行榜散点图：底部挤满了个位数分数的模型，Opus 5的红点孤零零挂在30%高度
ARC Prize联合创始人Mike Knoop看完了每一条回放，写下了一段极具信息量的分析，而他的结论，比分数本身更有意思
两极分化：一半天才，一半废物
Knoop说，Opus 5在半私有测试集上的表现呈现出一种诡异的两极分布：
约**20%的游戏，满分通关。
约20%**的游戏，零分，完全迷路。
他把观察概括为：简单游戏似乎很容易，复杂游戏似乎很难
▲ Mike Knoop的深度拆解：20%满分/20%零分的两极分布，以及他对成功与失败机制的定性
公开演示集的25个环境逐一验证了这种分裂：
- 5个环境拿到100%满分
：AR25、FT09、LP85、R11L、S5I5，全部是此前没有任何模型攻破的关卡 - 3个环境精确零分
：BP35、G50T、SC25，彻底摸不着门 中间地带从98.8%一路滑坡到0.6%，形成一条触目惊心的长尾
▲ 公开Demo环境逐项得分：表格顶部列出5个100%通关的环境
30%这个数字是一个平均值，它掩盖了更分裂的表现：Opus 5彻底攻破了一批关卡，同时在另一批关卡上仍然像个无头苍蝇
由此也带来一个问题：它到底“懂”了什么？
又在哪里依然是“假懂”？
代数方程：一个让所有人停下来的瞬间
ARC Prize在官方线程中放出了一段被疯狂转发的观察
在一个叫AR25的环境里，Opus 5做了一件从未有模型做过的事：它用代数方程重写了游戏中的空间关系
第23步，它写下：
4_center = 2×axis − 5_center
到了第248步，它把反射推广到了二维：
ghost = reflection about axis strips: br' = 2·br_axis − br, bc' = 2·bc_axis − bc
▲ ARC Prize展示Opus 5的“反射方程”：这是分析过的所有模型中首次出现显式代数推理
这是第一次，一个AI模型在完全陌生的交互环境中，自发地把视觉布局翻译成了符号逻辑
Chollet本人转发了这一发现，强调这是在“无任何先验接触”条件下取得的突破，而这个条件，恰恰是历史上缩放收益最少的区域
▲ Chollet引用成绩说明：这里是缩放收益最少的区域，30%的跃升“令人印象深刻”
争议风暴：真突破，还是“高级应试”？
然而，兴奋还没来得及蔓延，质疑声就以同样的速度炸开了
一位名为VraserX的用户直接开炮：
"Anthropic就是在针对基准做训练，把视觉推理变成显式代数演练。这只能算benchmark optimization，谈不上通用智能。说实话，基准分数已经没什么意义了。"
▲ 直击灵魂的质疑：所谓的“反射方程”，到底是通用推理能力，还是模式匹配的高级形态？
另一位用户virgil nicula的质疑更加技术化，他怀疑Anthropic可能搭建了专用的强化学习环境来训练模型应对ARC-AGI-3的谜题模式，并提出了一个极具建设性的反驳方案：随机改键位、改环境更新规则，保持游戏逻辑不变，看模型是否还能过关
▲ 一个可证伪的实验设计：如果真是通用能力，换一层皮应该照样能玩
还有人指出，那5个满分通关的游戏可能共享某种特定的先验结构，比如反射、对称，如果模型恰好被训练过这类模式，那高分就不代表“理解”，只代表“命中”
▲ 对满分环境共性的追问：通关的那几局，是否碰巧踩中了模型已有的知识？
更有人直接吐槽ARC Prize自身的命名混乱，public set和semi-private set的口径区分不够清晰，导致外行很容易把不同集合的数字张冠李戴
历史镜鉴：当“不可攻破”的基准突然被攻破
机器学习的历史上，这种剧情反复上演：一个长期被视为“铜墙铁壁”的基准，突然在某一天分数跳变
原因可能是方法突破、数据泄漏或评测协议被绕过
ARC Prize的应对方案包括：私有/半私有集分割、交互新颖性设计、公开验证政策、以及可下载的回放文件
Knoop还特别声明：这次是纯模型测试，没有任何外挂脚手架，意在把信号归因到模型本身
▲ GitHub上的官方benchmarking仓库：ARC Prize把“可复现”做成了制度
但"分布内专项强化"的幽灵不会自动散去
任何宣称通用性的分数，最终都要回答一个问题：换一层皮之后，你还行不行？
30%意味着什么？70%的沉默更值得听
最后，必须提醒一个容易被忽略的事实：ARC-AGI-3的100%标尺对应的是人类水平的学习效率
每一个环境，至少有两名普通人在没有任何特殊训练的情况下成功通关
30%，是一次惊人的跃升。
但它同时意味着，在70%的能力光谱上，最强AI仍然不如一个随便拉来的普通人
Knoop给出了一个精妙的判据来区分“简单”和“复杂”：如果你看Opus 5玩前两关的回放，你自己就能看出规则，那这关对模型来说是简单的；
如果连人类观察者看了回放都一头雾水、必须亲自上手才能理解，那模型多半也过不了
这不仅仅是一个基准测试的故事。
它是关于“理解”这个词本身的故事。
当AI开始在一部分陌生世界里写出反射方程，而在另一部分陌生世界里撞墙到底，它触碰到的，恰恰是智能最古老的边界：已知与未知的分界线
而那条线，刚刚被重新画了一笔。
