這套題，GPT-5.5、Opus 4.7加起來沒考到1分，人類卻拿了滿分100

機(jī)器之心編輯部

在大模型「卷生卷死」的今天，大家似乎已經(jīng)習(xí)慣了模型在各大榜單上刷出逼近滿分準(zhǔn)確率。然而，在一項(xiàng)名為 ARC-AGI-3 的基準(zhǔn)測試中，堪稱當(dāng)下「最紅炸子雞」的兩款頂尖模型 ——OpenAI 的 GPT-5.5 和 Anthropic 的 Claude Opus 4.7，卻雙雙「折戟」……

近日，ARC Prize 官方發(fā)布了針對(duì)這兩款頂級(jí)模型的詳細(xì)分析報(bào)告，結(jié)果令人震驚：在面對(duì)未見過的邏輯任務(wù)時(shí)，兩者的表現(xiàn)得分均低于 1%，GPT-5.5 得分 0.43%，Claude Opus 4.7 得分 0.18%。

這意味著，即便擁有千億級(jí)參數(shù)和近乎無限的算力，這些模型在處理「全新邏輯環(huán)境」時(shí)的表現(xiàn)，甚至不如一個(gè) 6 歲的兒童。

這是怎么一回事？

ARC-AGI-3：智能的「真?zhèn)卧嚱鹗?/strong>

為了更好理解這一成績，首先我們來了解一下 ARC-AGI-3，這是由 Keras 之父 Fran?ois Chollet 創(chuàng)立的基準(zhǔn)測試系列的最新一代，于今年 3 月分布。

Fran?ois Chollet 當(dāng)時(shí)稱，當(dāng)一個(gè) AI 系統(tǒng)在首次接觸所有環(huán)境時(shí)，其行動(dòng)效率能夠達(dá)到或超過人類水平，才算真正「攻克」ARC-AGI-3。

而根據(jù)團(tuán)隊(duì)進(jìn)行的大量的人類測試結(jié)果來看：在沒有任何先驗(yàn)訓(xùn)練、沒有任何說明的情況下，人類在第一次接觸時(shí)可以 100% 解決這些環(huán)境中難題，與此同時(shí)，目前所有前沿的 AI 推理模型在這一測試上的表現(xiàn)都低于 1%。

彼時(shí)，OpenAI 的 GPT-5.5 和 Anthropic 的 Claude Opus 4.7 還沒有發(fā)布，如今來看，這兩個(gè)模型也同樣難逃這一結(jié)果。

具體來看，ARC-AGI-3 是由 135 個(gè)全新環(huán)境組成的測試集，每個(gè)環(huán)境都由人類手工設(shè)計(jì)，用來測試模型面對(duì)「未知」的能力。

對(duì)于測試者來說，無論人類還是 AI，進(jìn)入環(huán)境中將不會(huì)獲得任何的玩法說明，要前進(jìn)，取得進(jìn)展，必須做到以下幾點(diǎn)：

• 探索未知界面 ；
• 從稀疏反饋中推斷規(guī)則（構(gòu)建世界模型） ；
• 提出并驗(yàn)證假設(shè) ；
• 從錯(cuò)誤中恢復(fù) ；
• 將經(jīng)驗(yàn)遷移到下一關(guān)（持續(xù)學(xué)習(xí)）。

每個(gè)環(huán)境的構(gòu)建都缺乏模型通常依賴的文化知識(shí)，只保留「抽象推理能力本身」。

換句話說，可以把 ARC-AGI-3 理解為，一個(gè)在「新穎性、模糊性、規(guī)劃、適應(yīng)性」上的最低共同測試集合，而這些，正是現(xiàn)實(shí)世界任務(wù)對(duì)智能體的核心要求。因此，ARC-AGI-3 也被公認(rèn)為目前最接近「人類智能本質(zhì)」的測試。

頂尖模型紛紛「敗北」背后的三大失敗模式

此次，GPT-5.5 和 Claude Opus 4.7 的表現(xiàn)得分均低于 1% 的成績固然令人「心痛」，但比起成績，知道背后的失敗原因似乎更重要。

ARC Prize 研究團(tuán)隊(duì)通過分析 160 組完整運(yùn)行軌跡，包括模型的每一步操作和推理過程，總結(jié)出了導(dǎo)致模型「崩潰」的三大核心失敗模式：

一、真實(shí)的局部反饋，虛假的世界模型

模型能夠理解哪一步動(dòng)作產(chǎn)生了變化（局部反饋），但無法將這種因果效應(yīng)轉(zhuǎn)化為一套通用的全局規(guī)則。

這是一個(gè)最為明顯的原因。比如，在一個(gè)需要旋轉(zhuǎn)物體以匹配插槽的任務(wù)中，模型能夠識(shí)別出「我按下這個(gè)鍵，物體可以旋轉(zhuǎn)」這一局部規(guī)律，但它無法將此邏輯上升為全局目標(biāo)，進(jìn)一步推理出：「旋轉(zhuǎn)會(huì)影響結(jié)果，因此我需要在行動(dòng)前調(diào)整物體方向以匹配目標(biāo)。」

換句話說，模型失敗不是因?yàn)樗鼈儭缚床灰姟梗谟跓o法把觀察的事物整合成一個(gè)完整的世界模型。

比例，Claude Opus 4.7 在運(yùn)行任務(wù) 「cd82」 時(shí)，在第 4 步已經(jīng)意識(shí)到執(zhí)行 「ACTION3」 可以旋轉(zhuǎn)容器，隨后在第 6 步也觀察到執(zhí)行 「ACTION5」 可以傾倒或蘸取油漆。然而，它始終無法將這些碎片化的認(rèn)知轉(zhuǎn)化為一個(gè)完整的邏輯策略，即「先調(diào)整桶的方向，然后再蘸取油漆，以還原左上角的目標(biāo)圖像」。

Claude Opus 4.7 理解 ACTION3 旋轉(zhuǎn)物體，但未能理解游戲的概念。

或者在任務(wù) 「cn04」 中，Claude Opus 4.7 雖然發(fā)現(xiàn)了一個(gè)成功的「旋轉(zhuǎn)后放置」交互邏輯（這是正確的假設(shè)，見第 23 步），但隨后卻陷入了追求「整體形狀重疊」的誤區(qū)（錯(cuò)誤假設(shè)），并為了追求「頂行進(jìn)度」的假象而偏離了目標(biāo)（見第 60 步）。

二、被訓(xùn)練數(shù)據(jù)「綁架」的抽象思維

模型對(duì)當(dāng)前環(huán)境產(chǎn)生了誤判，由于受到訓(xùn)練數(shù)據(jù)的影響，它們會(huì)將一個(gè)全新的「ARC-AGI-3」任務(wù)誤認(rèn)為是在玩另一種已知的游戲。

這種失敗模式源于模型對(duì)訓(xùn)練數(shù)據(jù)的「錯(cuò)誤抽象」，在多次運(yùn)行中，模型反復(fù)嘗試通過將其映射到已知游戲來解釋陌生的機(jī)制，這些游戲包括：「俄羅斯方塊」「青蛙過河」「推箱子」「粉末游戲」「填充顏色」「打磚塊」等。

雖然從核心先驗(yàn)知識(shí)中提取抽象概念在理論上有助于解決問題，但這些來自訓(xùn)練數(shù)據(jù)的字面類比反而「綁架」了模型的動(dòng)作選擇，從而演變成：局部視覺相似、導(dǎo)致被誤認(rèn)為完整的游戲規(guī)則、行動(dòng)方向被帶偏。

比如，在任務(wù) 「cd82」 中，GPT-5.5 的思維被錨定在了流沙、物理模擬或 「填充顏色」的游戲機(jī)制上；而在任務(wù) 「ls20」 中，它將本應(yīng)是按鍵組合的邏輯誤判為了「打磚塊」。

三、通關(guān)了關(guān)卡，卻沒學(xué)會(huì)規(guī)則

模型僥幸通過了某個(gè)特定關(guān)卡，卻無法利用那個(gè)成功的獎(jiǎng)勵(lì)信號(hào)來強(qiáng)化并執(zhí)行正確的后續(xù)操作。這說明，「通關(guān)并不等于理解」。

Claude Opus 4.7 的兩次記錄很好地說明了這一點(diǎn)。

在任務(wù)「ka59」中，Claude Opus 4.7 用 37 步完成了 Level 1，但它對(duì)「點(diǎn)擊」這一操作的理解其實(shí)是錯(cuò)誤的 —— 它認(rèn)為點(diǎn)擊是在「傳送當(dāng)前角色」。雖然結(jié)果看起來像是一次干凈利落的勝利，但本質(zhì)上只是對(duì)底層機(jī)制的誤讀，恰好碰上了一個(gè)比較寬容的關(guān)卡。

因此，當(dāng)進(jìn)入 Level 2，需要真正的機(jī)制（形狀匹配與推動(dòng)）時(shí)，Opus 將這種錯(cuò)誤理解進(jìn)一步固化為「點(diǎn)擊每個(gè)目標(biāo)來填充它」，結(jié)果可想而知，整個(gè)過程徹底偏離、崩潰，且無法恢復(fù)。

Opus 4.7 正在運(yùn)行任務(wù) 「ka59」，陷入了「盲目點(diǎn)擊（Click-fishing）」的死循環(huán)，游戲得分：2.04%。

在「ar25」任務(wù)中也是如此。Opus 在 Level 1 通過對(duì)「鏡像移動(dòng)」的正確解讀成功通關(guān)（見第 4 步）；隨后在 Level 2，它實(shí)際上已經(jīng)發(fā)現(xiàn)了新的「可移動(dòng)軸」機(jī)制（見第 227 步），但緊接著它又陷入了幻覺，開始臆想出諸如「打孔」或「需要翻轉(zhuǎn)」等并不存在的規(guī)則。

在這兩種情況下，Level 1 的成功掩蓋了模型對(duì)底層機(jī)制的缺失或扭曲，這種「局部勝利」反而為錯(cuò)誤的 Level 2 策略提供了一個(gè)看似自信的支撐框架。

這也說明，早期關(guān)卡的推進(jìn)并不能可靠反映模型是否真正理解了任務(wù)。如果沒有明確檢驗(yàn)?zāi)Ｐ汀笧槭裁茨苓^關(guān)」，它就會(huì)把錯(cuò)誤的認(rèn)知帶入下一關(guān)，并在此基礎(chǔ)上不斷放大偏差。

GPT-5.5 vs Opus 4.7：不同的「翻車」姿勢

有意思的是，雖然 GPT-5.5 和 Opus 4.7 的得分成績都不盡如人意，但研究團(tuán)隊(duì)通過對(duì)比兩者的運(yùn)行記錄發(fā)現(xiàn)，它們的失敗方式完全不同。

簡單來說就是，Claude Opus 4.7 的問題是「壓縮錯(cuò)了」，而 GPT-5.5 的問題則在于「壓縮不了」。

具體來看，Opus 4.7 在短周期的機(jī)制發(fā)現(xiàn)方面表現(xiàn)更強(qiáng)。例如在任務(wù)「ar25」中，它幾乎立刻識(shí)別出鏡像結(jié)構(gòu)，并順利通過 Level 1；在任務(wù)「ka59」中，即便世界模型并不完整，它也能讀出「雙角色、雙目標(biāo)」的布局，并完成較短的 Level 1 操作序列。

但問題在于，它也更容易抓住一個(gè)錯(cuò)誤的「恒定特征」，并堅(jiān)定執(zhí)行下去。

比如在任務(wù)「cn04」中，它構(gòu)建了一套「進(jìn)度 / 計(jì)時(shí) / 轉(zhuǎn)換」的錯(cuò)誤理論，并在這一假設(shè)下不斷嘗試操作（第 60 步）。它確實(shí)形成了一套「可運(yùn)行的解釋」，只是這套解釋是錯(cuò)的。

GPT-5.5 則是另一個(gè)極端。它的「假設(shè)生成」更廣泛，這使得它更有可能說出正確的思路，但同時(shí)也更難將其轉(zhuǎn)化為具體行動(dòng)。

比如在任務(wù)「ar25」中，它識(shí)別出了鏡像效應(yīng)，但不斷重新打開「可能的游戲類型空間」，在「俄羅斯方塊」「青蛙過河」「乒乓球」「漢諾塔」之間反復(fù)橫跳，始終無法堅(jiān)定地執(zhí)行鏡像邏輯。而在任務(wù)「ka59」中，它也構(gòu)建出了正確的對(duì)象結(jié)構(gòu) —— 兩個(gè)目標(biāo)輪廓和一個(gè)可切換的第二角色 —— 但始終沒有真正執(zhí)行這一理解。

換句話說，Claude Opus 4.7 有點(diǎn)像「過度自信的直覺主義者」，GPT-5.5 則像「思維發(fā)散的理論家」。

而歸根結(jié)底，兩者之間的這種差異在于「壓縮」能力的區(qū)別：Claude Opus 4.7 將觀察壓縮成了一個(gè)「自信但錯(cuò)誤」的理論，而 GPT-5.5 則幾乎無法完成壓縮，始終停留在分散的可能性之中。

不得不說，此次 Claude Opus 4.7 和 GPT-5.5 雙雙在 ARC-AGI-3，這一堪稱目前最接近「人類智能本質(zhì)」的測試上的低分表現(xiàn)，揭示了一個(gè)事實(shí)：AGI 之路「道阻且長」啊。

你呢，如何看待 AI 的這一成績？歡迎在評(píng)論區(qū)留言、交流！

https://x.com/fchollet/status/2050328852107612559

https://arcprize.org/blog/arc-agi-3-gpt-5-5-opus-4-7-analysis

https://x.com/GregKamradt/status/2050262126120632554