新智元報道

編輯：桃子 英智

【新智元導讀】AI界「智商大考」ARC-AGI-2重磅出爐了！一個人類用5分鐘輕松解開的謎題，卻讓最頂尖LLM全線崩盤得分掛零，o3更是從曾經76%暴跌至4%。它正式宣告，人類還未實現AGI。

時隔6年，ARC-AGI-2正式推出！

一大早，Keras之父Fran?ois Chollet官宣了全新迭代后的ARC-AGI-2，再次拉高了AI「大考」的難度。

這些對人類再簡單不過的題目，LLM最先敗北，先上結果：

基礎大模型（GPT-4.5、Claude 3.7 Sonnet、Gemini 2 ），全部得0分。

CoT推理模型（Claude Thinking、R1、o3-mini），得分也不過4%。

相較之下，2024年ARC Prize冠軍模型（53.5%）卻在新版本考試中，成績僅剩3.5%。

OpenAI的o3-low模型也從75.7%驟降至4%。而且，每項任務成本效率也是o3-low和o1-pro最高，達到200美金。

相反，在ARC-AGI-2里的每個任務，都至少有兩名人類能在兩次嘗試內成功解決。

ARC-AGI-2的出世，證明了「人類尚未實現AGI」！

現場400人實測，普通人無訓練能拿下60%準確率，10人小組能達到100%

初代ARC-AGI（2019年），曾在去年揭示了AI重大轉變，LLM從「純記憶」向「測試時推理」的進化。

許多之前一眼就看透的問題，在ARC-AGI-2中，至少需要幾分鐘的深思熟慮——人類測試者平均需要5分鐘才能解題。

最新ARC-AGI-2，恰恰暴露了當前AI三大短板：符號解釋、組合推理、上下文規則應用。

這些皆需要LLM在測試時，展現真正的適應能力，具備靈活應對新問題的「流體智力」，而不是靠預訓練數據「硬背」過關。

值得一提的是，2025年ARC獎本周將在Kaggle平臺上線，總獎金高達100萬美元。

今年的競賽在去年基礎上再加碼，計算資源翻倍，旨在推動開源項目發展，助力打造能戰勝ARC-AGI-2的系統。

AI「大考」難度進階，AGI夢碎？

其他AI基準測試，基本都聚焦于測試「博士以上水平」的技能，來考察超越人類的能力或專業知識。

但ARC-AGI關注的是對人類相對容易，對AI卻困難重重的任務。

這樣一來，就能精準定位那些不會因為規模擴大就自動消失的能力差距。

ARC獎將此融入對AGI的衡量標準：對人類容易、對AI困難的任務之間的差距，即「人機差距」。

當這個差距變為零，也就是不存在能難倒AI的任務時，我們就實現了AGI。

要彌補這些能力差距，需要全新的見解和思路。ARC-AGI不只是衡量AGI的進展，更重要的是激勵研究人員探索新思路。

AI系統在不少特定領域（如圍棋、圖像識別）已超越人類。但這些只是狹隘、專門的能力。

「人機差距」揭示了AGI所欠缺的部分：高效獲取新技能的能力。

ARC-AGI-2登場，基礎LLM掛零

今日正式發布的ARC-AGI-2基準測試，在對人類難度不變的前提下，極大提高了對AI的難度挑戰。

在一項有400人參與的對照研究中，ARC-AGI-2的每個任務，都至少有兩名參與者能在兩次或更少的嘗試內解決。

這和給AI設定的規則一致，每個任務AI都有兩次嘗試機會。

與ARC-AGI-1類似，ARC-AGI-2采用「兩次嘗試通過（pass@2）」的評估體系，因為部分任務存在顯著的模糊性，需要兩次猜測來消除歧義，同時也用于排查數據集中可能無意出現的模糊或錯誤之處。

經過人類測試，相較于ARC-AGI-1，作者對ARC-AGI-2任務質量更具信心。

以下是ARC-AGI-2的官方更新內容：

• 所有評估集（公開、半私有、私有）的任務數量從100個增加至120個。

• 剔除了評估集中易受暴力搜索破解的任務，即2020年原始Kaggle競賽中已被解決的所有任務。

• 開展人類測試，以校準評估集難度，確保任務獨立同分布，并驗證至少有兩名人類可在兩次嘗試內解決任務，這與對AI的要求一致。

• 根據研究成果，設計了新任務來挑戰AI推理系統，涵蓋符號解釋、組合推理、上下文規則等多個方面。

2019年推出的ARC-AGI-1，主要是為了挑戰深度學習，尤其是防止模型單純「記憶」訓練數據集。

ARC-AGI包含一個訓練數據集和多個評估集，其中私有評估集用于2024年ARC獎競賽。訓練集的作用是讓模型學習解決評估集中任務所需的核心知識。

為了完成評估集中的任務，AI必須展現出適應全新任務的能力。

打個比方，訓練集就像是教你認識小學算術符號，而評估集則要求用這些符號知識去解代數方程。你不能靠死記硬背得出答案，必須把知識靈活運用到新問題上。

ARC-AGI-2對AI的要求更高，要想戰勝它，必須具備高度的適應性和高效性。

下面是ARC-AGI-2的示例任務，滿足兩個條件：一是至少有兩名人類能在兩次嘗試內解決；二是所有前沿AI推理系統都無法解決。

符號解釋

前沿AI推理系統在處理需要賦予符號超出視覺模式意義的任務時，表現欠佳。

系統能進行對稱性檢查、鏡像、變換，甚至識別連接元素，但就是無法理解符號本身的語義。

組合推理
AI推理系統在處理需要同時應用多個規則，或者應用相互關聯規則的任務時，困難重重。

相反，要是任務只有一兩條全局規則，這些系統就能發現并運用規則。

上下文規則應用
AI推理系統在面對需根據上下文靈活應用規則的任務時，也會陷入困境。

它們往往只關注表面模式，無法理解背后的選擇原則。

兩人組隊拿滿分，o3僅4%

ARC-AGI-2由以下數據集構成：

校準指的是這些任務具有獨立同分布（IDD）特性。理論上，在公開、半私有和私有評估集上，未出現過擬合情況的分數應具有直接可比性。

為收集相關數據，在嚴格受控的環境下，對400多位人類進行了測試。

接下來幾周，公開任務的人類可解性數據將與ARC-AGI-2論文一同發布。

對所有公開的AI系統重新評估，ARC-AGI-2起始分數如下：

帶*的分數，是根據目前收集到的部分結果，還有o1-pro的定價估算出來的。完整結果一出來，馬上會公布。

所有分數均按照「兩次嘗試通過（pass@2）」標準，且基于半私有評估集得出（ARC-AGI-1人類小組和ARChitects除外，分別基于公開評估集和私有評估集）。

人類小組的效率計算基于115-150美元的到場費用，外加解決每個任務獎勵5美元。

對成本進行了優化以提升到場率（實際到場率為注冊人數的70%）。盡管人類智能成本效率的極限可能在每個任務2-5美元區間，但基于實際收集的數據，報告中每個任務17美元。

等OpenAI o3 low/high的API開放，將對其正式版本進行測試。

用從ARC-AGI-1轉到ARC-AGI-2的任務進行預估，o3-low得分約為4%，如果計算量特別大（每個任務數千美元），o3-high得分有望達到15-20%。

智能并非僅是能力

從現在開始，所有ARC-AGI的報告都將附帶一項效率指標。

首先選擇成本作為指標，因為在對比人類與AI性能時，成本具有最直接的可比性。

智能并非僅是解決問題和獲取高分的能力。獲取和運用這些能力的效率，是智能的關鍵要素。

核心問題不僅在于「AI能否掌握解決任務的技能？」，更在于「以怎樣的效率或成本來掌握？」

前沿AI系統在ARC-AGI-1與ARC-AGI-2上的得分

僅靠規模遠遠不夠

在資源與搜索時間不受限的情況下，暴力搜索最終能夠解決ARC-AGI問題。

但這絕非真正的智能。智能在于高效地找到解決方案，而非盲目窮舉。

關注效率是ARC-AGI的核心原則。

明確量化智能的成本，要求解決方案不僅展示能力，更要展現對資源的高效利用，這才是AGI的本質。

全新的ARC-AGI排行榜頁面將從分數和成本兩個維度同步呈現。

截至2025年3月24日，ARC-AGI新排行榜同時展示分數與效率

本周競賽盛大開啟！

隨著ARC-AGI-2的發布，2025年ARC Prize重磅回歸！競賽將于3月至11月期間在Kaggle平臺舉辦。

競賽設有12.5萬美元的保底進展獎，以及高達70萬美元的大獎，團隊得分超過85%即可解鎖！

此外，還有17.5萬美元的獎項待后續公布細則。

Kaggle競賽規則禁止使用互聯網API，每次提交僅可使用約50美元的計算資源。

為獲取獲獎資格，參賽者需在競賽結束時開源解決方案。

去年的競賽成果斐然，超過1500支團隊踴躍參與，產出了40篇極具影響力的研究論文。

獲獎研究人員提出的創新理念已在AI行業得到廣泛應用。

參考資料：

https://x.com/arcprize/status/1904269307284230593

https://x.com/fchollet/status/1904265979192086882

https://arcprize.org/blog/announcing-arc-agi-2-and-arc-prize-2025