OpenAI GPT-6 Astra 在 ARC-AGI-3 中的技术突破:性能、成本与行动效率全景解析
在人工智能研究领域,衡量模型向通用人工智能(AGI)迈进的步伐始终是核心议题之一。ARC-AGI 系列自推出以来,就以其独特的交互式、抽象化任务环境成为检验模型"残余能力差距"的重要标尺。2026 年,OpenAI 推出的 GPT-6 Astra 在 ARC-AGI-3 上刷新了记录,分别在标准评测框架下取得 62.7% 的成绩,花费约 26,000 美元,而在使用专属 Provider Adapter 框架后更是突破了 99.9% 的大关,成本降至约 19,000 美元。这一结果不仅彰显了模型在理解与执行任务方面的大幅提升,也引发了业界对其行动效率、符号化建模能力以及在不同评测环境中表现的广泛讨论。 ARC-AGI-3 的设计理念聚焦于"代理智能"的四大核心要素:探索、建模、目标设定以及规划执行。与传统自然语言处理基准不同,ARC-AGI-3 要求模型在陌生且规则不完全明示的游戏环境中主动收集信息、抽象出因果关系并制定高效的解决路径。
人类受试者在这些环境中的成功率可以达到 100%,但他们往往需要数十乃至上百次的交互才能找到正确的操作序列。于是,评测的核心便从单纯的完成度转向了"行动效率",即模型在完成相同任务时所需的交互次数是否能够与人类相匹配甚至更少。 从 OpenAI 官方公布的评测数据来看,GPT-6 Astra 在标准评测框架(Standard Harness)下的最高得分是 62.7%,对应的费用约为 26,098 美元。标准框架的优势在于其"提供者中立"特性:所有模型都通过统一的接口获取游戏状态信息,唯一的差异来源于模型本身的推理能力与记忆管理。值得注意的是,随着推理努力(Reasoning Effort)从"none"逐步提升至"max",模型的得分呈现显著提升趋势,但成本并未呈现线性增长,反而在最高推理努力时出现了下降趋势。这说明当模型能够更深入地理解游戏机制时,它能够以更少的交互次数完成任务,从而抵消了更高计算需求带来的额外费用。
然而,真正让人眼前一亮的表现出现在使用 Provider Adapter 框架的测试中。通过利用 OpenAI 为 Astra 专门设计的上下文管理与信息压缩技术,模型在"max"推理努力下达到了 99.9% 的完成率,而总费用仅为 17,332 美元。换言之,Provider Adapter 通过保留模型内部的不可见推理状态、在多次请求之间进行高效的状态压缩,使模型能够在更长的对话窗口内保持对游戏世界的记忆与规划,从而显著提升了任务完成率。与此同时,整体的运行时间相比标准框架缩短了约 3.66 倍,使用的令牌总量下降了约 49%。这表明在真实产品部署场景下,利用提供者特定的优化手段可以在显著降低成本的同时,大幅提升模型的实用性。 在行动效率方面,GPT-6 Astra 的表现同样值得关注。
评测团队对约 500 名普通公众进行了基线测试,以每位受试者完成游戏的中间操作次数作为人类基准。统计结果显示,在 Provider Adapter 框架中,Astra(max)在 96.0% 的关卡上使用的动作数少于人类基准,平均每关卡的交互次数比人类少约 51.7%。这意味着 Astra 不仅在任务完成率上接近甚至超越人类水平,更在学习的"经验成本"上实现了显著的节约。对于传统观念中"即便 AI 能解决环境,也必然需要更多探索次数"的假设,这一数据提供了直接的反驳。 为什么 Astra 能在行动效率上如此出色?答案在于它能够在运行时自行生成紧凑的符号化世界模型。评测团队对大量 Astra 的回放进行了解析,发现它会在内部维护一套自创的代数记号体系。
例如,它会把关卡编号、局部旋转索引以及机制长度等信息压缩为形如 "L8: hub q2 (8↓). Lengths: 14=1..." 的代码片段;在规划多步操作时,则使用类似 "extend8 to3; retract10 to2; shorten8 to1" 的序列来记录颜色机制的更改顺序;针对控件坐标,它会直接映射为 "9−=(39,4), rotate=(49,18), 14+=(59,11)" 这样的坐标映射。这种临时的、基于上下文的符号语言,使得 Astra 能够在极少的内部状态空间内表达大量信息,从而在执行过程中保持清晰的计划视图。 这种符号化建模的能力并非偶然,而是模型在面对未知环境时的自发策略。相较于传统的暴力搜索或基于大量经验的强化学习方法,Astra 更倾向于通过少量交互快速抽象出环境的因果结构,并将这些结构以紧凑的形式保存下来,供后续推理使用。这与人类在面对新游戏时的学习方式高度相似:先观察几个关键特征的关联,再通过简短的笔记或图示来辅助记忆与计划。 在更高级的评测环境 PRO-LONG 中,Astra 甚至能够自行编写自定义工具。
它在玩名为 tu93 的迷宫类游戏时,先构建了 maze_solver.py 用于路径搜索,随后又加入了 combat_solver.py、patrol_solver.py 和 sync_state.py 来处理战斗规则、移动巡逻以及对预测与观测的一致性检查。通过在沙盒中直接执行代码,Astra 将语言模型的推理能力与外部计算资源结合,形成了"模型加工具"的混合体系。评测团队指出,这种做法虽然显著提升了任务完成率,但也改变了评估的公平性 - - 因为普通受试者并未获得代码解释器或外部计算环境的帮助。因此,PRO-LONG 的结果应被视为模型在具备外部工具时的上限表现,而非在纯语言模型层面的基准。 对两种评测框架的差异进行系统梳理,有助于我们理解模型评估的多维度价值。Standard Harness 提供了一个完全中立的基准,所有模型都在相同的接口下接受相同的任务,唯一的变量是模型内部的推理与记忆能力。
此类评测的优势在于能够进行跨提供者的公平比较,帮助研究社区快速识别哪些架构或训练技巧在通用任务上更具优势。相对地,Provider Adapter Harness 则侧重于挖掘模型在实际产品中的潜力。通过利用提供者的上下文管理、状态压缩以及长程记忆优化,模型能够在更复杂的对话场景下保持连贯性,从而提升任务的整体完成度。两种评测并非互相排斥,而是互补关系:前者提供了模型的基础能力基准,后者则展示了在实际部署中的潜在上限。 从更宏观的视角审视,GPT-6 Astra 在 ARC-AGI-3 上的突破标志着语言模型在"代理智能"领域的又一次跃迁。ARC-AGI 系列的设计初衷是衡量模型向真正通用人工智能靠近的"残余差距"。
虽然 Astra 已在该基准上实现接近饱和的成绩,但 ARC-AGI-3 的作者们也明确指出,饱和并不等同于实现 AGI。该基准的测试范围仍然受限于封闭、确定性的游戏环境,缺乏真实世界中常见的开放目标、持续学习以及多模态交互等复杂性因素。因此,尽管成绩令人振奋,研究社区仍需在此基础上探索更具挑战性的评测维度,例如递归自我改进、跨领域迁移以及在真实物理环境中的持续适应能力。 在对未来的展望中,ARC-AGI 团队已经暗示正在构建下一代评测框架,旨在捕捉模型在自组织创新和开放式任务解决方面的潜力。这些新框架可能会引入动态生成的任务、不断演化的目标以及模型需要主动学习的元认知策略。对比当下的成绩,我们可以看到,当模型能够将抽象规则快速转化为紧凑的符号表示,并在极少的交互中完成高效规划时,它离"像人一样学习"已不再遥远。
综上所述,OpenAI 的 GPT-6 Astra 在 ARC-AGI-3 中取得的 62.7% 与 99.9% 两项成绩,分别代表了模型在标准评测与提供者优化评测下的极限表现;其行动效率在 96% 的关卡上超越人类基准,平均少用约 51.7% 的动作次数;而模型自行生成的代数记号与自定义工具进一步证实了它在抽象建模与规划执行方面的强大潜力。这些成果不仅为语言模型在代理智能领域的能力提供了量化依据,也为后续 benchmarks 的设计指明了方向:在保持公平可比性的同时,如何更好地衡量模型在真实复杂环境中的适应性与效率,将是迈向通用人工智能道路上的关键课题。 。
