ARC-AGI 是什么？一文讲透 GPT-6 Astra 的 99.9% 与 Omen Alpha 盲测

ARC-AGI 是一个专门测量 AI「学新技能效率」的基准：题目对人类很轻松、对 AI 极难，靠记忆和堆知识拿不了分。2026 年 9 月，OpenAI 的 GPT-6 Astra 在它的最新一代 ARC-AGI-3 上拿出了 99.9% 的成绩，同期 OpenCode 的匿名模型 Omen Alpha 也把社区目光拉回这个考场。本文用大白话讲透它的规则、三代演进、这个 99.9% 怎么读，以及它和 Omen Alpha 盲测的关系。

要点速览

• ARC-AGI 是 François Chollet 在 2019 年论文中提出的基准，测的是「技能习得效率」，不是知识量。
• 最新一代 ARC-AGI-3 是交互式游戏基准：AI 要自己探索规则、定目标、做规划，全部关卡人类都能 100% 解出。
• GPT-6 Astra 在 ARC-AGI-3 半私密集上有两个分数：标准测法 62.7%、模型方适配测法 99.9%（ARC Prize 官方博客），后者在 96% 的关卡上动作数比人类中位数还少。
• Omen Alpha 是 OpenCode 第三代隐身模型，上线即被社区拿去「盲测」；ARC-AGI 这类人类易、AI 难的基准，正是给匿名模型「验明正身」的考场。

这两天为什么大家都在聊 ARC-AGI

2026 年 9 月 3 日到 4 日，两件事把「ARC-AGI」推上了热搜：

第一件：GPT-6 Astra 发布。 OpenAI 称它是「新一代智能」，官方页面点名它在 ARC-AGI-3 上拿到 99.9% 的分数，把 ExploitBench 也刷到了 100%（OpenAI 官方发布页）。发布详情、定价与接入方式我们在《GPT-6 Astra 正式发布》里做过完整解读。

第二件：Omen Alpha 上线。 OpenCode 在 Go 订阅里悄悄上架了第三代隐身模型，厂商保密、社区盲测火热。我们已经在《Omen Alpha 是什么》里详细拆解过这个模型本身。

两件事表面上不相干，实际上都指向同一个关键词：ARC-AGI。一个用它证明自己的模型「像个聪明人」，一个等着被它「验明正身」。要看懂这两波热点，就得先搞懂 ARC-AGI 到底在测什么。

ARC-AGI 是什么：一句话讲清定义

ARC-AGI（Abstraction and Reasoning Corpus for Artificial General Intelligence，通用人工智能抽象与推理语料库）是 François Chollet 在 2019 年论文《On the Measure of Intelligence》（arXiv:1911.01547）中提出的基准。

它的核心思想一句话就能说清：智能不是你已会多少技能，而是你学新技能有多快。

ARC-AGI 不考知识记忆，只给每题少量示例，要求测试者从示例里推断出抽象规律，再应用到全新输入上。为了让人类和 AI 站在同一起跑线，题目只用「核心知识先验」——那些人类天生就有或极早期习得的认知能力（物体恒存、目标导向、简单计数、基本空间关系），不含任何语言、文化或专业知识。这就是认知心理学家 Elizabeth Spelke 提出的 Core Knowledge 理论在 AI 评测里的应用。

所以它的题目有两个特点：

1. 人类一眼就会：ARC Prize 的设计哲学叫「Easy for Humans, Hard for AI」，普通人在ARC 任务上可以轻松拿高分。
2. AI 背题无效：任务是全新的，预训练见过再多数据也没用，靠的是泛化和推理。

ARC Prize 基金会据此给出的 AGI 定义也很直白：能匹配人类学习效率的系统。在他们看来，只要 AI 和人类在学习效率上还有差距，AGI 就没有到。

三代基准：ARC-AGI-1 → 2 → 3

ARC-AGI 不是一张卷子，而是一个随前沿模型进化而升级的系列。

ARC-AGI-1 时代，模型在静态谜题上的分数逐年爬升，到 2024 年底 OpenAI 的 o3 第一次把成绩拉到接近人类水平，ARC-AGI「防背题」的机制开始失效。于是 2025 年发布的 ARC-AGI-2 重新抬高难度，而 2026 年的 ARC-AGI-3 干脆换了个玩法：让 AI 玩它从没见过的游戏。

ARC-AGI-3 怎么测：让 AI 自己玩没说明书的新游戏

按 ARC Prize 官方的定义，ARC-AGI-3 是第一个交互式推理基准：AI 智能体被扔进一个个新颖的抽象回合制游戏环境里，没有说明书，要靠自己在环境里探索。

每个游戏都考察四种能力：

1. 探索（Exploration）：信息不会主动给你，必须动手试。
2. 建模（Modeling）：把看到的现象整理成能预测未来的规则模型。
3. 定目标（Goal-setting）：奖励信号极其稀疏，目标要自己推断。
4. 规划与执行（Planning & execution）：从当前状态推演出通往目标的一串动作，并随新信息修正。

关键设定是：所有关卡人类都能解出来。ARC Prize 在上线前找了约 500 名普通公众做对照测试，每关的「人类基线」取完成该关玩家的中位数动作数。所以 ARC-AGI-3 的满分含义非常具体：AI 像人类一样高效地通关每一局。

你也可以亲自玩：官方把游戏开放在 arcprize.org/tasks/ls20，注册后就能体验 AI 同款考题。试过之后你大概率会同意它「对人类简单」这个前提——但也会发现，把「我先试试这个按钮会发生什么」这种直觉变成程序，有多难。

GPT-6 Astra 的 99.9%，要拆成两个数字读

ARC Prize 在 2026 年 9 月 3 日发布了独立评测（作者 Greg Kamradt），Astra 的成绩其实是两套测法下的两个数字，差别大到像一个模型：

两套测法的区别要说清楚：

• 标准测法：统一的最小接口，所有模型一视同仁，只给完成任务所需的最基本信息。Astra 在这之下最高 62.7%。
• 模型方适配测法：允许模型接入 OpenAI 自己的工具链。换到 high 档，分数直接跳到 99.9%。

怎么读这组数字，是本次事件里最容易被带偏的地方。我们的判断是：99.9% 证明「OpenAI 的完整工具链 + Astra」能通关 ARC-AGI-3；62.7% 才是「Astra 模型本体」在公平裸接口下的成绩。 两套数据 ARC Prize 都公开了，这恰恰是负责任的做法，但传播时只剩一个 99.9%，需要注意口径。

另外两个同样重要的官方结论：

• 动作效率超过人类：在适配测法下，Astra（max）在 96% 的关卡上用的动作数比人类中位数还少，平均每关少 51.7%。ARC Prize 原话是「有效达到人类平价」，这是他们评测过的最强模型。
• 成本依然惊人：跑完一轮评测花费 1.7 万到 2.6 万美元不等。对照组的人类受试者每 90 分钟收 115 美元外加每关 5 美元奖金。分数追平了，单价还差着几个数量级。

评测回放里还有个有趣的细节：Astra 会自己发明一套紧凑的代数符号做笔记，记录游戏状态、多步计划和控件坐标；在允许写代码的 PRO-LONG 测试环境里，它甚至给每个游戏自建工具文件——解迷宫写 maze_solver.py，处理巡逻兵写 patrol_solver.py。这些行为比分数更能说明「泛化」长什么样。

Omen Alpha 和 ARC-AGI 有什么关系

Omen Alpha 本身跟 ARC Prize 没有官方关系。它们被绑在一起，是因为「隐身模型」这个玩法的鉴定流程：

匿名模型上线后，社区会通过分词器指纹、错误码风格、视频 token 增速等线索猜它的血缘。前两代隐身模型的答案都有迹可循：Pony Alpha 后被证实是 GLM-5 早期测试版，Ox Alpha 约两周后揭晓为 GLM-5.3-Flash（完整鉴别过程见《Ox Alpha 深度解读》，模型本体实测可参考《GLM-5.3 评测》）。这一代 Omen Alpha 上线不到一天，OpenCode 自己的数据页就把它挂在 zhipu/omen-alpha 路径下，但评论区也出现了「确认不是 ZAI」的反方说法，社区各执一词。

在这场猜谜里，ARC-AGI 这类基准的角色是考场：神秘模型想证明自己不是换壳货，最硬的方式就是在人类易、AI 难、无法背题的基准上拿分。海外社区已经有用户把 Omen Alpha 接进编程任务实测（约 180 token/秒、10 分钟完成平时半天的工作量），ARC-AGI-3 官方排行榜则随时欢迎任何模型提交。隐身模型能不能在硬基准上站住，几周内见分晓。

先看官方证据。OpenCode Go 官网的模型列表里，Omen Alpha 的位置和数字一目了然：

顺带说一个容易被忽略的细节：Omen Alpha 在 Go 订阅里的额度属于最宽松的一档，每 5 小时约 11,600 次请求，约是 Kimi K3 的 105 倍、Grok 4.6 的 68 倍。额度宽说明它的推理成本低，也从侧面印证了它与 MiMo-V2.5、LongCat-2.0 这类低价档模型同档的定位。

我们该怎么用 ARC-AGI 的分数做判断

结合两天的信息，给三类读者的务实建议：

如果你在选模型（开发者）：ARC-AGI 分数反映的是「没见过的抽象任务上的学习效率」，跟你的日常 CRUD、代码补全场景不完全相关。选编程模型，优先看 Terminal-Bench、社区实测速度和你的真实任务集；ARC-AGI 分数当作「泛化上限」参考。

如果你在看热闹（普通用户）：记住三个数就够了——62.7% 是裸考成绩，99.9% 是带工具链的成绩，人类是 100%。分数追平人类值得记住，但离「AGI 实现了」还有距离，ARC Prize 自己也只说「达到人类平价」而非「通过 AGI」。

如果你在做内容（媒体/博主）：转述时请带上口径。只写 99.9% 不写测法，是这波传播里最常见的失真。

总结

ARC-AGI 讲到底就一件事：考「学新东西的速度」，不考「已知的东西」。它让 o3 在 2024 年底一战成名，让 ARC-AGI-3 在 2026 年成了 GPT-6 Astra 的加冕台，也让 Omen Alpha 这类匿名模型有了一个无法作弊的考场。

对普通人来说，看懂三个数（62.7%、99.9%、人类 100%）就能在热点里保持清醒：AI 的泛化能力在快速逼近人类，但成本、口径和真实场景适配都还没到「可以用分数替代判断」的程度。

我们会持续跟踪 Omen Alpha 的身份揭晓和 ARC-AGI-3 排行榜变化，有更新就回来刷新这篇文章。

最后更新于 2026 年 9 月 4 日。本文由 AI345 编辑部基于 ARC Prize、OpenAI、OpenCode 官方一手信源整理撰写，关键数据均标注来源；对模型的实测描述均来自社区公开分享，不代表官方口径。