AI把考卷刷到接近满分，下一张卷子，人类还能考点什么？

最近，AI圈发生了一件极具戏剧性的大事件：GPT-6 Astra一经问世，就在公认极具难度、甚至被称为“人类最后智力测试”的ARC-AGI-3半私有测试集上，拿下了**99.9%**的恐怖成绩！用OpenAI自己的话来说：这项测试已经被完全“饱和（打穿）”了。

这一成绩毫无防备地打散了测试机构的原定计划。原本规划好的ARC系列测试，不得不连夜重新推翻拟题。

就在近日，ARC Prize创始人François Chollet正式披露了下一代评测蓝图：ARC-AGI-4将聚焦长期学习能力，而更为颠覆性的ARC-AGI-5已全面提上日程，考题将全部围绕一个核心——“发明”。

靠工程学打穿基准测试，AI终于学会了“开挂”？

GPT-6 Astra在ARC-AGI-3上的表现，堪称一次技术降维打击。

其实在标准的测试框架下，Astra最初拿到的分数是62.7%。这虽然已经是历史最高水平，但距离满分还差得很远。然而，当OpenAI给它接入了自家的“Provider Adapter”后，同一个模型的得分瞬间狂飙到了99.9%！

这其中的奥秘在于，这个适配器能在多次调用之间保留模型的隐藏推理状态，相当于给AI加装了一个能记住并复用之前做题经验的“外置大脑”。同一套权重，同一组题目，仅仅加了工程辅助，得分就差出了36个百分点。

这并非孤例。Claude Opus使用了更好的测试环境后，得分也从30%暴涨到了95.5%；英伟达的AVO智能体甚至在公开演示集里直接拿下100%全通关。

这让业界开始反思：所谓的“满分”，究竟是模型真的实现了飞跃，还是各家大厂把“环境适配”这门应试工程学玩明白了？

ARC-AGI-3到底在考什么？为什么这么难？

前两代ARC测试，多半还是让AI玩纯逻辑的“看图找规律”：给几组输入和输出的方格，让AI猜规则。这种题是静态的，答案唯一，本质还在考归纳能力。

但到了ARC-AGI-3，画风突变——它直接把AI扔进了一个包含1000多个关卡的游戏世界里！

这里没有新手教程，没有通关提示，更没有文本说明“吃三个红蘑菇就能过关”。每个小游戏都有自己潜藏的内在逻辑。AI只能像试玩新游戏的盲人一样：看画面、做动作、观察反馈，一步步在“大脑”里拼凑出过关思路。

在这么硬核的沙盒设定下，GPT-6 Astra在96%的关卡中，使用了比人类中位数还要少的步数完成了任务，平均每关节省了51.7%的动作。它甚至在游戏里自己发明了一套“中间速记符号”来优化解题效率！

终局之战：逼迫AI学会“真正的发明”

既然“做题找规律”和“黑盒打游戏”已经难不住它，下一张考卷只能逼AI去“创造”。

根据Chollet的说法，ARC 5将直奔终极目标——“开放式发明”。以前的测试即便再难，也有一个标准答案或者“赢”的过关状态，AI顺着摸索就行；但“发明”意味着要抛弃已知，创造出以前没有的东西，也就是新的工具、新的规则。

【编辑观察】 这就像从“速通别人做好的游戏”变成了“自己写一个好用的游戏模组，并利用它来打破速通记录”。因为没有标准答案，也就意味着找不到可以用来对比的“人类基线数据”了。唯一能衡量的，就是AI获取新技能的效率。

沿着这条“人机差距曲线”看，留给人类充当“出题人”的时间已经不多了。

以前是人类出题AI做，以后可能是人类连题目都出不出来了。当某一天，连开放式发明的考卷也无法再测出人机之间的客观差距——那“考无可考”的叹息，便宣告着真正的AGI时代全面降临。AI还在踩油门，只是不知道我们手中，究竟还有没有下一张考卷？