全球頂尖大模型集體翻車！ARC-AGI-3測試，人類滿分AI最高0.2%

就在今天，一條消息炸遍整個AI圈——全球唯一尚未飽和的智能體基準測試ARC-AGI-3正式出爐，直接把全球頂尖大模型“打回原形”。人類在測試中拿下100%滿分，而最頂尖的AI模型得分普遍低于1%，曾經的“學霸”ClaudeOpus4.6更是僅得0.2%。這場測試像一面照妖鏡，戳破了“AGI已至”的泡沫，也讓所有人看清：當下的AI，離真正的通用智能，還差著一座珠穆朗瑪峰的距離。

一、慘烈成績單：人類滿分，AI連1分都拿不到

ARC-AGI-3的測試結果，用“慘烈”二字形容毫不為過。1200多名普通人類玩家參與測試，完成3900多場游戲，整體基線得分100%。大多數人不僅輕松通關，還能玩出“速通”操作，甚至挑戰理論最優步數——對人類而言，這些游戲更像是輕松的休閑項目，而非高難度測試。

反觀AI陣營，結果堪稱“集體潰敗”。在上一代ARC-AGI-2測試中拿下69.2%高分的ClaudeOpus4.6，到了ARC-AGI-3直接“現原形”，得分僅0.2%，是純大模型里的第一名。其余包括GPT系列、Gemini系列在內的所有前沿大模型，得分全部低于1%，有的甚至頻繁崩潰，分數趨近于0。

更反直覺的是，測試排行榜前三名全是非大模型方案：基于卷積神經網絡（CNN）的StochasticGoose、基于規則的狀態圖探索、無需訓練的幀圖搜索。其中StochasticGoose以12.58%的得分成為預覽期冠軍，比GPT-5.x系列高出12個百分點以上。但即便如此，它在一款調水位游戲中，開局仍花了近350步做無效點擊，而人類只需要兩三下就能摸清規則。

這組數據背后，是AI與人類智能的本質差距——人類是“會學習的智能”，而當下的AI，只是“會匹配模式的工具”。

二、ARC-AGI-3到底有多“變態”？從靜態題到互動游戲的維度升級

ARC-AGI系列一直是AI圈的“魔鬼測試”，前兩代ARC-AGI-1、ARC-AGI-2就以“抽象推理”難倒無數模型。而ARC-AGI-3，直接把難度拉到了全新維度：從“靜態題”變成了“無提示互動游戲”。

測試包含150多個手工設計的交互式游戲環境，1000多個關卡。每個游戲都有專屬邏輯、隱藏規則和通關條件，但沒有任何說明文檔、沒有自然語言提示、沒有任何操作指引——AI不知道“左邊按鈕會開門”，也不知道“收集三個紅色方塊能過關”，只能像盲人摸象一樣，通過觀察畫面、執行動作、反饋結果，一步步拼湊對世界的認知。

ARCPrize基金會設計這套測試，核心是測AI的四大核心能力：

探索：能否主動與環境互動，獲取關鍵信息？

建模：能否把零散觀察，凝聚成可預測未來的世界模型？

目標獲?。簾o人下達指令，能否自主判斷“該以什么為目標”？

規劃與執行：能否規劃行動路徑，并根據反饋隨時修正？

這四項能力，恰恰是人類與生俱來的本能，卻是當下AI的致命短板。

更“殘忍”的是它的評分標準——不看“是否通關”，只看“效率”，且直接對標人類效率。評分公式為：(人類步數/AI步數)2。比如人類10步解決的問題，AI用了100步，得分僅1%；用了200步，得分0.25%；用了500步，得分僅0.04%。這種規則直接堵死了AI的“蠻力窮舉”之路——多試一步，分數就斷崖式下跌。Opus4.6的0.2%，換算下來意味著它解決人類10步的問題，需要走約224步，完全是在迷宮里原地轉圈。

三、AI為何慘敗？缺的不是算力，是“元認知”

ARC團隊在測試中發現一個關鍵現象：AI的主要失敗模式，是“以為自己在玩另一個游戲”。就像一個人被蒙眼扔進廚房，摸到圓形物體就斷定是籃球，開始瘋狂“投籃”——AI在全新環境中，看到初始視覺信息，會迅速“腦補”一個熟悉的游戲框架，然后沿著錯誤假設死磕到底，越走越偏，卻從不停下來反思：“我的假設是不是錯了？”

這背后，是當下AI缺乏元認知能力——它不知道自己不知道，更不會主動修正錯誤認知。參數量越大、預訓練知識越豐富的大模型，反而越容易陷入這個陷阱。它們被海量數據“喂”出了強烈的“先入為主”，遇到陌生場景，第一反應是匹配已知模式，而非從零探索；而輕量級CNN、圖搜索系統，因為沒有“知識包袱”，反而能老老實實地從環境反饋中學習，成績反而更好。

反觀人類，面對全新游戲時，會本能地完成“探索-建模-驗證-修正”的循環：

先觀察，幾分鐘內搭建粗糙但可用的“世界模型”；

再驗證，根據結果強化或修正模型；

最后快速迭代，錯了就改，改了再試。

人類的學習是在線、交互、假設驅動的，而AI的學習是離線、數據驅動、模式匹配的。ARC-AGI-3沒有“題海戰術”可依賴，考的正是“如何學習”——這恰恰是目前AI最弱的一環。

四、AGI之爭：黃仁勛說“已實現”，測試說“還差99%”

就在ARC-AGI-3發布前，英偉達CEO黃仁勛在采訪中直言“我們已經實現了AGI”，引發行業熱議。但ARC-AGI-3的結果，無疑給這一觀點潑了一盆冷水——當下的AI，或許連1%的AGI都沒實現。

關于AGI的定義，學界和產業界一直存在分歧。黃仁勛的定義偏向實用主義：“AI能否啟動、運營一家價值超10億美元的公司”，大幅降低了AGI門檻。而學界主流觀點，如Bengio團隊提出的定義，將AGI視為“能匹配或超越受過良好教育成年人的認知廣度和熟練度”，涵蓋推理、記憶、感知等10項核心能力，總分100分才算達標。

ARC-AGI-3的測試邏輯，更貼合學界對AGI的核心要求——通用學習能力。它不考AI記住了多少知識，而考AI能否在無提示、無經驗的全新環境中，自主探索、建模、規劃并高效解決問題。從這個角度看，當下所有大模型都遠未達標，它們只是在特定任務上表現出色的“窄AI”，而非真正的“通用智能”。

目前，ARC-AGI-3挑戰賽獎金池高達85萬美元，其中70萬美元留給“滿分通關者”，且要求參賽者完全開源代碼、在無網環境下評估——杜絕了調用云端大模型、聯網查資料的“作弊”可能。

這場測試撕開了AI行業的“遮羞布”，也讓所有人清醒：AGI不是靠堆算力、擴參數就能實現的，它需要突破“元認知”“自主學習”等底層認知瓶頸。人類與AI的差距，從來不是算力，而是“會思考、會學習、會反思”的本能。

ARC-AGI-3的出現，不是否定AI的進步，而是為AGI研究指明了更清晰的方向——未來的AI，不能再做“只會刷題的應試高手”，而要成為“會學習、會探索、會修正”的真正智能體。至于這座天塹何時能被跨越，我們只能靜待時間給出答案。