2026年3月25日，ARC-AGI-3正式发布时，一个数字让整个AI圈沉默了几秒。谷歌Gemini 3.1 Pro Preview得分0.37%，Anthropic Claude Opus 4.6得分0.25%，xAI Grok 4.2直接挂零。人类测试者100%通关，全球最前沿的大模型连1%的边都没摸到。
四个月后，2026年7月16日，一个叫Schema的“缰绳系统”宣称达到了98.98%的Relative Human Action Efficiency。从0.37%到98.98%，不到120天。但比起数字本身，更值得追问的是：这99%是怎么来的？
13%到99%的跳跃
先看官方数据。截至2026年7月，ARC-AGI-3官方排行榜上，通过ARC Prize验证的最高分来自OpenAI的GPT-5.6 Sol（Max推理强度），在Public集上平均13.33%，Semi-Private集7.78%。Sol是第一个在ARC-AGI-3上赢下一局公开游戏（ft09，得分87%）的模型。这个成绩本身已经是里程碑，毕竟三月份所有模型都在1%以下。
但Schema的宣称把基线从13%直接拉到了接近100%。具体来说，Schema搭配Anthropic的Opus 4.8和Fable 5，在ARC-AGI-3 Public的25个游戏中达到98.98% RHAE；搭配GPT-5.6 Sol，达到95.35%。在人类基准动作效率的标尺上，Schema加Opus 4.8的AI几乎和人类一样高效地完成了全部25个公开游戏。
Impossible Research团队通过Naval的X账号发布了这个消息。Naval的推文说得很直白：“一个能玩游戏、写代码、像物理学家一样推理、并饱和ARC-AGI-3基准的Agent缰绳系统。”
ARC-AGI-3到底在测什么
ARC-AGI-3跟它的前辈ARC-AGI-1和ARC-AGI-2有本质区别。前两者是静态的“输入-输出”推理，给几个例子让模型猜规律。ARC-AGI-3是交互式的。Agent面对一个64×64的网格，16种颜色索引，一组合法动作。没有对象列表，没有规则手册，没有目标说明，没有塑形奖励。Agent必须一边行动，一边构建对游戏世界的假设，再通过行动验证这些假设。
ARC-AGI-3论文里说得清楚：Agent必须在一个“模型仍然是临时性的”状态下行动，形成关于网格代表什么、动作如何改变它、以及什么算成功的假设。这就是所谓的“物理学家方式”。像物理学家面对未知现象一样，先提出假说，设计实验验证，更新模型，再继续。
Schema做了什么
Schema的核心思路是analysis-by-synthesis。传统的LLM解题方式是“想答案”，在参数空间里搜索，试图直接输出正确答案。Schema的方式是“写程序”，让LLM为游戏的底层机制编写可执行的Python程序，然后用验证器检查程序是否与观察一致。如果程序通过了所有已知观察的验证，它就被采纳为当前的世界模型，Agent用它来规划下一步动作。如果程序预测失败，模型就回到假设空间，生成新的候选程序。
这个循环的效率来源有三个层次。
第一层，可执行缰绳降低了使用一个理论的成本。一旦LLM写出了一个假设程序，这个程序就变成了持久的、精确可验证的、可搜索的理论。Agent不需要每次从头推理，只需要执行程序、对比结果。
第二层，底层模型决定了发现一个有用理论的成本。Schema团队在Opus 4.8加Fable 5和GPT-5.6 Sol之间做了对比。有时两套模型会收敛到相同的表征，但轨迹截然不同。Fable更频繁地在早期做出决定性的表征修正，因此用更少的环境动作就达到了可执行解决方案。
第三层，搜索只对它所运行的世界模型完整。一旦缺失的对象、状态变量或转移规则被正确表征，现有的验证器和规划器往往就足够了。如果观察结果不足以区分正确的表征，同样的验证器也可以验证并穷举搜索错误的表征。
为什么这是范式转变
ARC-AGI系列从诞生之初就有一个使命：测量流体智能，而不是晶体智能。François Chollet在2019年提出这个框架时就明确指出，智能不是“知道多少”，而是“在未知环境中获取新技能的效率”。
过去两年，行业用了一个简单粗暴的方法来提升ARC-AGI得分：更大的模型、更多的测试时计算、更复杂的思维链。OpenAI的o3在ARC-AGI-1上拿到75.7%时，Chollet的评价是“这是一个令人惊讶且重要的阶跃式增长”。但这种方法在ARC-AGI-3上撞了墙，因为ARC-AGI-3不是“猜规律”的游戏，而是“猜游戏”的游戏。模型连这个游戏在玩什么都不知道，思维链再长也没有用。
Schema的突破在于，它没有试图让模型变得更聪明，而是给了模型一个做科学的方法论。就像物理学家不是靠更快的思考来发现物理定律，而是靠设计实验、提出假说、验证预测。Schema让LLM从文本预测器变成了主动的程序员。这不是同一件事的渐进改进，而是做事方式的根本切换。
冷静一下，局限与争议
必须指出，Schema的98.98%是self-reported，尚未在ARC Prize官方验证流程中确认。ARC-AGI-3存在Public和Semi-Private的分割，99%是在Public的25个游戏上取得的，Semi-Private集的表现未知。历史上，ARC-AGI系列在Public和Private之间的差距可以非常大。截至2026年7月，官方排行中Sol Max在Public上13.33%，到Semi-Private就降到了7.78%。
此外，Hacker News上的讨论已经出现了质疑。有评论者指出，任何针对特定基准的定制缰绳，本质上是在用工程手段解决这个基准，而非真正解决通用智能问题。另一个评论者则担忧，如果Schema在公开集上进行了大量迭代优化，其Private集表现可能远不如Public集。
但Schema团队对此有回应。他们在官方博客中写道：“我们读到一个饱和的ARC-3，把它看作新的开始：机制发现作为通用能力，在一个比64×64网格丰富得多的环境中，通过行动和感知的Agent循环来锚定世界的因果结构。这就是我们前进的方向。”
基准饱和之后
ARC-AGI-3被“饱和”这件事本身，比任何单一技术突破都更有信号意义。它意味着一个曾经被认为是AGI试金石的基准，在不到四个月的时间里，从前沿模型几乎得零分变成了几乎可以满分通过。这不是某一家公司的胜利，而是“可执行世界模型加可验证假设循环”这条技术路线从概念验证到工程实现的完整闭环。
接下来的问题是：当ARC-AGI-3被饱和之后，什么才是新的试金石？Schema团队给出的答案是：比64×64网格更丰富的环境，更复杂的因果结构，更长的时间跨度。这个方向与AI研究界的共识高度一致，从“解谜题”到“解世界”。
ARC-AGI-3花了不到四个月，就从AI的滑铁卢变成了AI的毕业考。毕业之后，真正的考试才刚刚开始。
快报