今夜，整个AI圈经历了一场大地震！众望所归的、全球唯一尚未饱和的智能体基准测试 ARC-AGI-3 终于出炉了，结果直接“血洗”了全球各大顶尖大模型。

在这个测试中，人类得分100%，而曾经横扫各大榜单的AI大模型“学霸”们，得分竟普遍不足1%。

最惨烈的是，在上一代测试中还能拿下69.2%高分的优等生 Opus 4.6，在 ARC-AGI-3 面前直接现了原形，连蒙带猜得分仅为 0.2%。这面镜子，可以说是照出了当前AI能力中最深、最残酷的裂缝。

连1%的AGI都没达到？打脸来得太快

在近期的采访中，英伟达CEO黄仁勋还在表示我们已经实现了 AGI（通用人工智能）。但 ARC-AGI-3 的成绩单却残酷地显示：或许如今的 AI 连 1% 的通用本领都没有真正实现。

它的前身 ARC-AGI-1 和 ARC-AGI-2 已经是 AI 圈出了名的「魔鬼测试」，原本靠几个示例推断网格变换规律就已经很难了。而到了 ARC-AGI-3 版，难度干脆跨维度升级：从做「静态题」改为了打「互动游戏」！

测试中包含了150多个由人工从零开始精心打造的交互式游戏环境，涉及超过1000个实操关卡。每个游戏都有自己特有的内在逻辑、隐藏规则和通关条件。

最折磨AI的是：测试没有任何说明文档，没有自然语言提示指令，没人告诉你“左边的按钮会开门”或是“收集3个红色方块就能过关”。

AI智能体被丢进全新的场景里，只能看到当前画面。它必须像盲人摸象一样瞎试，选择一个动作并观察结果，然后在大脑里硬生生拼凑出一个“这个世界的物理规律是如何运作的”模型。

“效率至上”的残暴计分：大力不能出奇迹

为什么得分普遍在1%以下？这其实源于测试极度残酷的评分规则：不光看你“有没有通关”，还要跟人类比通关效率。

计分公式非常暴力：(人类步数 / AI步数)²。 这意味着，以前AI那种动不动枚举所有可能性的“蛮力穷举试错法”被直接判了死刑。只要你多试一步，分数就是断崖式下跌。

简单算笔账：如果一个关卡人类过关需要10步，

  • AI要是试了100步通关：(10/100)² = 1%
  • AI要是试了200步通关：就只剩 0.25%
  • Opus 4.6 为什么得分 0.2%？这意味着同样是10步能搞定的问题，它像个没头苍蝇一样在游戏里原地空转了足足 224步！

丢人现场大赏：脑补过度，反而被老古董吊打

在发榜前的开发者预览测试中，1200多名人类玩家参与了3900多次挑战，大家不仅能凭借直觉轻松过关，还有执着的玩家玩起了“速通”。反观AI，那些满手黑科技的前沿大模型反而经常垫底崩溃。

目前排行榜的前三名，竟然清一色都是非大模型（非LLM）方案！第一名是一个名叫 StochasticGoose、基于卷积神经网络（CNN）的强化学习传统方案，得分12.58%，远远甩开了所有身价昂贵的顶流大模型。

这不禁让人疑惑：越聪明的大语言模型，怎么在游戏里反而越弱智？

ARC团队发现了一个好玩的现象：AI的主要死法是**“以为自己在玩另一个游戏”**。 参数量越大、学识越渊博的大模型，越容易对陌生环境“过度脑补”。比方说它碰到个圆东西，就非固执地认为自己在打篮球，殊不知这是在厨房里切西瓜。它甚至在疯狂执行错误计划、迟迟拿不到正反馈时，也不懂得停下脚步怀疑一下自己的假设。说白了就是，它们缺乏人类那种“元认知”的能力。而那些没有厚重知识包袱的轻量级老架构，反倒能老老实实看着反馈去修改动作。

终点线前的85万美金大赏

【编辑观察】 这套测试其实击穿了目前AI所谓的“智能”表象。面对全新游戏，即使是小孩也懂得「观察探索 → 在脑内建模 → 试探验证 → 快速修正」循环。但号称马上抵达AGI的大模型们，内核依然是个“只记答案不顾逻辑”的应试背题机。

为了鼓励大家直面这一真正的智能鸿沟，官方开出了高达 85万美元 的挑战赛奖金池。只要有人的智能体能在这个纯纯考验“学习本能”的游戏测试里拿到满分（须开源、纯断网评估），就能独揽70万美元的终极大奖。

人类凭本能就能攀到的通关终点线，AI究竟要花几年才能企及？我们拭目以待。