#ARC-AGI
共 22 篇相关文章
·7 分钟
ARC-AGI-3近乎被攻克：编程能力如何解锁AI通用智能
ARC-AGI-3基准测试仅通过添加编程框架就近乎被攻克，揭示代码能力如何帮助大语言模型实现推理泛化。深入分析编程框架的工作原理、对AGI研究的意义及需要保持的审慎态度。
阅读全文 →
·14 分钟
Kimi-K3在ARC-AGI-2拿下60.4%：抽象推理能力突破解读
Kimi-K3在ARC-AGI-2基准测试上取得60.4%的成绩，远超多数大模型表现。本文深入解析ARC-AGI-2为何重要、这一分数背后的推理能力突破，以及对国产大模型和行业发展的启示。
阅读全文 →
科技前沿·5 分钟
Gemini 3.1 Pro深度横评：ARC-AGI-2得分77.1%，真的最强吗？
Google Gemini 3.1 Pro发布，ARC-AGI-2抽象推理得分77.1%断档领先，GPQA Diamond 94.3%、编程ELO 2887多项登顶。本文从推理、编程、搜索等维度横向对比o4和GPT-5.2，揭示其真实实力与短板。
阅读全文 →
科技前沿
每日AI新鲜事·08月14日晚间版：GLM-5.3发布与算力即货币
·1 分钟
每日AI新鲜事·08月14日晚间版：GLM-5.3发布与算力即货币
2026年08月14日（周五）晚间版 AI新闻速递+热点深度讨论
阅读全文 →
·14 分钟
菲尔兹奖得主Tim Gowers谈LLM数学能力的边界与本质
菲尔兹奖得主Tim Gowers深度分析大语言模型的数学能力：LLM擅长模式匹配和局部推理，却在创造性洞察和长程证明中暴露根本短板。探讨AI数学能力的真实边界与人机协作前景。
阅读全文 →
·7 分钟
Prime Agent：能自我改进底层框架的开源编程智能体
Prime Agent是一款开源自我改进编程智能体，通过递归语言模型(RLM)与持续框架(Continual Harness)两大核心抽象，在ARC-AGI-3基准上取得95.5%成绩。本文深入解析其技术架构与设计理念。
阅读全文 →
科技前沿
大佬观点·第4期：OpenAI一周连发七条推文，从自我优化到AI减速机制
·1 分钟
大佬观点·第4期：OpenAI一周连发七条推文，从自我优化到AI减速机制
每周五盘点本周行业大佬的发言和官方公告
阅读全文 →
·15 分钟
GPT-5.6数学封神却栽在小游戏？两个API设置解锁三倍性能
GPT-5.6 Sol能攻克数学前沿难题，却在ARC-AGI-3益智游戏中表现挣扎。研究发现问题不在模型智能，而在运行框架的记忆缺失。仅启用两个API设置，分数提升三倍，token消耗降低6倍。本文深度解析这一反直觉现象背后的工程启示。
阅读全文 →
·8 分钟
Anthropic Opus 5实测：性能超越对手价格仅一半
Anthropic Opus 5实测评测，ARC-AGI首破30%，Agentic编程接近Fable 5水平但价格减半。详解基准测试、Token消耗、实际编程任务表现及与GPT-5.6对比分析。
阅读全文 →
·14 分钟
通用AI崛起：从数学推理到竞赛编程的全面突破
前沿AI模型正加速走向通用化：成本大幅下降、通用模型在数学推理与竞赛编程中超越专用模型、小型编程任务趋近自动化、多智能体工作流持续进化。本文深度解析这些信号背后的技术逻辑与行业影响。
阅读全文 →
·14 分钟
DeepSeek V4即将发布：Flash版或超越HY3，GPT-5.6推理能力被悄悄削减
DeepSeek V4本月即将发布，Flash版或超越同级最强开源模型HY3，并首次支持原生视觉；OpenAI承认悄悄下调GPT-5.6推理预算；Anthropic延长Fable 5访问权限应对GPT-6竞争；字节Seedance 2.5支持180秒4K视频生成——AI竞争持续白热化。
阅读全文 →
·10 分钟
GPT-5.6实测：一条Prompt搞定实时语音动漫应用
实测GPT-5.6 Sol模型：单条Prompt自动生成实时语音动漫角色、从零手写物理引擎、自主搭建陌生工具链。深度评测编程能力、智能体任务表现及基准数据对比，解析其性价比优势与幻觉率短板。
阅读全文 →
·11 分钟
GPT-5.6深度评测：性价比碾压竞品，但越狱安全漏洞不容忽视
OpenAI发布GPT-5.6 Soul、Terra、Luna三款新模型，定价仅为Claude系列三分之一，多项基准测试领先Anthropic Fable。本文深度解析其性价比优势、真实推理能力，以及英国AI安全研究所发现的越狱安全隐患。
阅读全文 →
·7 分钟
GPT-5.6全解析：Sol旗舰模型性能、短板与竞争力评测
深度解析GPT-5.6模型家族（Sol/Terra/Luna）的真实表现：复杂编程一次成型、智能体自动化工作流、基准测试领先Claude，但幻觉率与视觉识别仍有短板。开发者必读评测。
阅读全文 →
科技前沿
AI热点风向标·07月02日晚间版：AI编程工具Harness工程实践
·1 分钟
AI热点风向标·07月02日晚间版：AI编程工具Harness工程实践
07月02日晚间版 AI热门话题深度讨论，5个热点
阅读全文 →
·9 分钟
Sakana AI发布Fugu Ultra：模型编排如何达到前沿AI水平
Sakana AI发布Fugu Ultra模型，通过自主模型编排技术在工程、科学和推理基准测试中比肩顶尖AI模型。深入解析其技术路线、战略意义及对全球AI竞争格局的影响。
阅读全文 →
前沿研究·6 分钟
Optimize Anything：一个API统一优化代码、提示词和Agent架构
UC Berkeley与Stanford联合提出Optimize Anything通用文本优化框架，通过一个声明式API统一优化CUDA内核、智能体架构、系统提示词等六大领域，全面超越专用工具。深度解析其三种优化模式、辅助信息机制与Pareto搜索策略。
阅读全文 →
科技前沿·7 分钟
GPT-5.2发布：390倍效率提升背后的真相与隐忧
OpenAI发布GPT-5.2，在ARC-AGI基准测试中实现390倍效率提升，击败Claude Opus 4.5。本文深度解析效率飞跃的实际意义、用户体验悖论、迪士尼10亿美元合作内幕，以及AI生成内容的质量危机。
阅读全文 →
产品体验·8 分钟
Claude 4.5 vs Gemini 3 Pro：编程能力全面对决
基于ARC-AGI-V2、SWE-Bench、Terminal Bench 2.0等五大基准测试，深入对比Claude 4.5与Gemini 3 Pro在编程实战和知识推理上的真实表现，帮你找到最适合的AI编程助手。
阅读全文 →
科技前沿·5 分钟
Claude Sonnet 4.6全面评测：性能逼近Opus的知识工作AI新标杆
深度解析Anthropic最新发布的Claude Sonnet 4.6模型，涵盖智能体工具使用、计算机操控、办公任务等核心升级，基准测试多项超越Opus 4.6，重新定义中端AI模型的能力边界。
阅读全文 →