OpenAI的GPT-6 Astra在ARC-AGI-3基准上首次以低于人类中位数的步数完成任务，ARC Prize联合创始人François Chollet称进展速度超出预期两倍，并将其AGI预测提前。
OpenAI的GPT-6 Astra在ARC-AGI-3基准上取得62.7%的得分，首次以高于人类平均的效率解决陌生游戏环境中的任务。ARC Prize联合创始人François Chollet在X上表示，这套模型“比预期快约两倍”地解决了该基准，并回答其AGI预测“更早”（Sooner），但未提供具体年份。
ARC-AGI-3表现与效率：超越人类中位数步数
ARC-AGI-3测试将AI放入规则和目标未知的游戏世界，要求模型通过试错自行探索。GPT-6 Astra在内部ARC harness下达到62.7%的得分，测试成本约26,000美元，而其前代GPT-5.6 Sol仅得7.78%，Claude Opus 5为30.16%。OpenAI报告中的99.9%得分是在其自定义harness下产生，该harness保留了推理链并自动摘要长序列，ARC Prize测量显示，相比内部harness，这一设置在167个双方都解决的游戏推理对中快3.66倍、少用49%的token。ARC Prize仅将62.7%视为厂商间公平比较的数据，并计划未来也公布厂商harness的数值。
- 在标准ARC scaffold上，成本从无推理时的49,791美元降至最大推理时的26,098美元，得分从35.2%升至62.7%；ARC Prize解释原因是Astra用更少的移动步骤解决了游戏，从而减少模型调用次数。
- 一个特例是：推理级别设为“低”时得分为17.5%，低于无推理的35.2%，ARC Prize未解释此异常。
- 人类测试者每90分钟获得115美元加每解一题5美元，约9次尝试折算每局约12.78美元；若仅计算大脑代谢能量，ARC Prize换算为每局0.067美分。
模型符号化行为与自创简写系统
ARC Prize观察到，Astra在标准设置中自主创建了类似代数的速记系统，记录对象、坐标、规则和开放计划，例如“extend8 to3; retract10 to2”。Chollet将其描述为“高效、即时的符号化世界建模”，并称模型会“开发出自己的简写DSL来表示游戏内状态”，本质上是“特定游戏的代数记法”。ARC Prize在早期与第三方开发的PRO-LONG agent框架配合时（作为红队测试伙伴），Astra可在沙盒中执行代码，并编写了游戏棋盘解析器、路径查找、战斗规则模块等库，但ARC Prize未观察到任何逃离沙盒的行为。这些运行因包含代码解释器和记事本，与人类测试条件不可比，测量的是模型与自建工具的组合性能。
- ARC Prize指出，Astra的符号化建模行为“此前只在复杂的harness中见过”，因此“harness能力正日益转移到模型本身”。
- 第三测试环境PRO-LONG运行不纳入人类测试对比，因测试者既无代码解释器也无记事本。
Cholte对AGI的回应与ARC-AGI-4计划
ARC Prize明确不将结果解读为通用人工智能的证据。“我们对系统所知仅限于其基准分数，”Chollet写道。发布ARC-AGI-3时他们强调：“解决它不是AGI的证明，也不是终点线。”该基准虽测试了探索、无指导适应和从稀疏数据进行因果世界建模等定性属性，但规模较小，游戏时间比现实任务短多个数量级，需要更少的数据和模型复杂度。Chollet此前估计ARC-AGI-3会被解决约需一年，Astra因此“快约两倍”到达。当被问及其2030年AGI预测是否仍成立时，Chollet回答：“更快，因为进展比我预期快。”ARC Prize表示，ARC-AGI-4自ARC-AGI-3发布以来一直在开发，计划于2027年第一季度发布，旨在探索递归自我改进和开放式创新等领域。
- ARC Prize认为ARC-AGI-3本身局限明显：确定性机制、封闭目标，不代表开放现实世界。
- 你上面的信息仅基于来源文本本身。
基准测试中的分歧与成本差异
不同基准对GPT-6 Astra的评价不一。Epoch AI的ECI总分中Astra以169分领先（Sol 162，Fable 5.1 163，Opus 5 162），但AA Intelligence Index给Astra 61分，与其前代Sol持平，低于Fable 5.1的66分。在编码任务上，Astra在Coding Agent Index得67分，Fable 5.1以70分领先。成本方面，OpenAI对每单位处理文本收费是前代Sol的2.5倍，使任务成本约提高75%；但相比Anthropic，Astra在编码任务上达到与Claude Fable 5同分，而单任务成本低于其一半。Epoch指出，Astra与Fable 5.1目前在不同基础上被测量：Astra在数学、知识和谜题上领先，Fable 5.1几乎在所有编码测试上占优，但Astra的编码得分仅有一次记录，且来自中等推理水平。
- Astra在FrontierMath Erdős（开放数学问题）上，Epoch AI报告称其是唯一解决68个开放Erdős问题中2个且证明经Lean验证的模型，每次尝试预算300美元；另有3个解决方案来自非标准化额外运行，消耗超过22万美元计算资源，不计入得分。
- 幻觉率在AA-Omniscience上从92%降至51%，但Astra在GDPval-AA v2上损失约80 Elo点，并在银行支持、SciCode和长上下文推理任务上表现下滑。
- ARC-AGI-1上Astra在xhigh推理下得98.5%，在max下达97.5%，该基准被认为已大体饱和。