OpenAI GPT-6 Astra 在 ARC-AGI-3 基准测试中创下新纪录

ARC-AGI-3 是 ARC-AGI 系列基准测试的第三代，专门用于评估 AI 的代理智能，即通过探索、建模、目标设定和规划执行来应对陌生环境的能力。该基准只包含核心知识先验，并由人类对照测试校准难度，人类可以解决 100% 的环境。

OpenAI 的 GPT-6 Astra 在此次测试中表现突出。使用 Standard harness（允许模型携带笔记）时，Astra 在 ARC-AGI-3 Semi-Private 上得分 62.7%，成本为 26,098 美元；使用 Provider Adapter harness（保留推理状态并压缩长对话）时，得分达 99.9%，成本为 18,817 美元。两种配置均创下当前最佳成绩。值得注意的是，推理级别越高，总成本反而越低——因为 Astra 用更少的行动解决问题，减少了模型调用次数。

Astra 在行动效率上超越了人类：在 96% 的关卡中，它的行动次数少于测试人类的中位数。测试中人类参与者每 90 分钟获得 115 美元报酬，加上每完成一个游戏的 5 美元奖金，每次尝试约 12.78 美元；若按大脑能量折合电价，则仅约 0.067 美分。Astra 还展示了将游戏机制编码为紧凑代数符号的能力，例如用自定义语言记录坐标、规则和多步计划，这种模型的精炼度和信息密度在其他模型中较为罕见。

ARC-AGI 系列的初衷是测量当前 AI 与 AGI 之间的“残差差距”，其中 AGI 被定义为像人类一样高效获取任何技能的能力。Astra 的成绩表明，代理智能在特定基准上已接近人类水平，但这仍是基准测试，而非真实世界表现。