arc-agi-3

Anthropic 的 Opus 5 在 ARC-AGI-3 上击败了 GPT-5.6，但 Tibo 声称通过涉及多上下文推理和规范压缩的两个设置更改，GPT-5.6 Sol 成为了 SoTA。

声称GPT-5.6 Sol通过使用规范压缩实现跨多个上下文窗口的推理，在ARC-AGI-3上达到了最先进水平。

OpenAI透露，启用保留推理和上下文压缩使GPT-5.6 Sol在ARC-AGI-3基准测试中的得分提升了三倍，凸显了测试框架设置对模型性能测量的显著影响。

GPT-5.6 Sol，一个解决了开放数学问题的模型，最初由于测试框架的内存限制在 ARC-AGI-3 基准测试中表现不佳。启用两个 API 设置后，分数翻了三倍，输出令牌数减少了六倍。

OpenAI发现，在API工具中启用保留推理和压缩设置，使GPT-5.6 Sol在ARC-AGI-3基准测试中的得分提高了三倍，同时将输出令牌减少了6倍，表明基准测试性能在很大程度上受工具设计影响。

Schema 推出了一种新的 Harness，它使用 Claude Opus 4.8 和 Fable 5 等前沿模型，在 ARC-AGI-3 Public 集上实现了约99%的准确率，通过改进模型周围的流程，而非修改权重。