Claude Opus 5 的 ARC-AGI-3 断层

2026 年 7 月 24 日，一个数字让沃顿商学院教授 Ethan Mollick 在 X 上只写了一句话：“This is a big jump in ARC-AGI-3。”他说的不是哪家公司的股价，不是融资新闻，甚至不是任何实用产品，而是 ARC-AGI-3 上一个孤零零的分数：30.2%。

这个分数的拥有者是 Anthropic 刚刚发布的 Claude Opus 5。而它击败的对手，仅仅是两周前还被视为“最强模型”的 GPT-5.6 Sol，后者在同一测试上的成绩是 7.8%。

30.2% 对 7.8%。不是 10% 的进步，不是 20% 的进步，是接近 4 倍的差距。在一个专门设计来让 AI 无法作弊的测试上。

这个测试为什么让所有模型都翻车

ARC-AGI-3 不是普通的 AI 基准测试。它由 AI 研究者 François Chollet 于 2019 年首次提出，经过三次迭代，2026 年 3 月在 Y Combinator 正式发布的第三版彻底改变了游戏规则。

它的前两版测试的是静态推理：给模型一个输入输出网格，让它推断变换规则。到 2025 年，ARC-AGI-1 和 ARC-AGI-2 已经接近饱和，Gemini 3.1 Pro 在 ARC-AGI-1 上达到 98%，Gemini 3 Deep Think 在 ARC-AGI-2 上达到 84.6%。但 ARC-AGI-3 完全不一样。它不再是一个“看图写答案”的测试，而是一个交互式游戏环境。AI 被丢进一个 64×64 的彩色网格中，没有任务说明，没有规则手册，没有胜负条件。它必须自己搞清楚：这些颜色意味着什么？我能做什么动作？这个世界的目标是什么？怎么才算完成？

对人类来说，这不算太难。ARC Prize 基金会的数据显示，普通人类参与者，没有经过任何特殊训练，在全部 135 个环境上通关，中位用时仅 7.4 分钟。

但 AI 的遭遇只能用惨烈来形容。

2026 年 3 月 ARC-AGI-3 发布时，最好的前沿模型成绩是多少？Gemini 3.1 Pro 0.37%，GPT-5.4 0.26%，Claude Opus 4.6 0.25%，Grok 4.20 0.00%。所有模型全部低于 1%。

更残酷的是评分机制。ARC-AGI-3 使用 RHAE（Relative Human Action Efficiency）指标，公式是 (人类操作数 / AI 操作数)²。如果人类用 10 步完成，AI 用了 100 步，得分不是 10%，而是 1%。如果 AI 用了 200 步，得分降到 0.25%。一旦超过人类操作数的 5 倍，直接终止。暴力探索、随机尝试、无限回溯，这些策略不仅无效，还会被平方级惩罚。

在这个测试上，GPT-5.6 Sol 在 7 月 9 日交出了 7.8% 的成绩，成为第一个在 ARC-AGI-3 上真正“赢了一局”的模型，在其中一个环境（FT09）上拿到了 87%。当时这个成绩被描述为“一个里程碑式的低分”。既是里程碑，也是低分，两个词放在一起本身就说明了一切。

然后 Claude Opus 5 来了。

不是增量，是断层

ARC Prize 基金会在 7 月 24 日发布的官方验证结果中写道：在分析过程中，他们观察到 Opus 5 展现了“前所未有的行为”（novel behavior），使其能够解决此前无法攻破的环境，并超越了 Fable 5 的表现。

这句话的关键信息是：Fable 5 作为 Anthropic 定价 $10/$50 每百万 token 的 Mythos 级旗舰，在 ARC-AGI-3 上甚至没有进入公开榜单，而 Opus 5 作为定价 $5/$25 的“中端”模型，拿下了 30.2%。

从 1.5%（Opus 4.8）到 30.2%。从 7.8%（GPT-5.6 Sol）到 30.2%。这不是一次常规的版本迭代，这是一次能力断层。

X 上一位用户 Gage 的评论抓住了本质：“ARC-AGI 上 4 倍的跃升，形状上是非连续性，而不是增量。这个基准测试专门构建来抵抗模式匹配，因此这种规模的 gains 通常意味着模型组合解决方案的方式发生了结构性变化。”

它到底新在哪里

ARC Prize 此前对 GPT-5.5 和 Opus 4.7 的 160 场 replay 分析揭示了前沿模型在 ARC-AGI-3 上的典型失败模式，这些分析对于理解 Opus 5 的突破至关重要。

最普遍的问题，是模型看到了局部效果，但无法构建世界模型。Opus 4.7 在玩一个名叫 cd82 的环境时，感知到了“ACTION3 旋转了容器”，也看到了“ACTION5 蘸取了颜料”，但它从未将这两件事串联为“先旋转容器，再蘸取颜料，然后在目标位置放置”的完整策略。它看到了因果，但建立了错误的因果链。

另一个常见问题是模型从训练数据中提取了错误的抽象层级。模型反复将陌生的环境映射到已知游戏上：Tetris、Frogger、Sokoban、Breakout、Pong。视觉上的局部相似性劫持了行为选择。ARC Prize 的分析发现，Opus 4.7 的问题在于“压缩过度”，从一个观察迅速跳到自信但错误的结论；GPT-5.5 的问题在于“无法压缩”，提出了正确假设，但不断在多个游戏框架之间游移，从不执行。

最令人沮丧的则是即使模型通过某种方式通关了一关，这种成功并没有转化为对游戏机制的真正理解。下一关它又从零开始。通关的奖励是它自己，而不是对游戏规则的理解。

Opus 5 的 30.2% 意味着它在至少部分场景中突破了这些限制。ARC Prize 提到的“novel behavior”暗示模型展现出了一种更接近人类的学习方式：在交互中形成假设，检验假设，修正错误，然后将学到的知识应用到后续动作中。

这不是一个跑分的故事，这是一个智能类型的故事

Chollet 在设计 ARC 时有一个核心哲学主张：智能不应该被测量为“系统知道多少”，而应该被测量为“系统从少量经验中获取新技能的能力”。

这个区分至关重要。一个在训练数据中见过 10 万个 Python 代码片段的模型，写代码时看起来像“会思考”，但本质上它是在做模式匹配。ARC-AGI-3 测试的是它无法从训练数据中直接提取的东西，每个环境都是全新的、手工设计的，没有文化知识可依赖。

心理学中有一个经典区分：晶体智力（crystallized intelligence）和流体智力（fluid intelligence）。晶体智力依赖已有知识和经验，流体智力是在面对新问题时灵活推理和解决问题的能力。绝大多数 AI 基准测试衡量的是前者，你记得多少，你匹配得有多好。ARC-AGI-3 衡量的是后者。

Opus 5 在 ARC-AGI-3 上的跃迁，可能意味着 AI 在流体智力上迈出了实质性的一步。这不是关于它知道多少，而是关于它在未知面前有多敏捷。

商业层面的降维打击

Opus 5 的定价是 $5/$25 每百万 token，与 Opus 4.8 完全相同。在 Artificial Analysis Intelligence Index 上它拿到了 61 分，超过 Fable 5 的 60 分和 GPT-5.6 Sol 的 59 分，但定价只有 Fable 5 的一半。

在需要真正“做对事情”的任务上，差距更加明显。AutomationBench（Zapier 的企业工作流基准）上，Opus 5 达到 26.0%，GPT-5.6 Sol 为 18.1%，Fable 5 为 17.4%。这是一个测试“能否把一个真实任务从头到尾做完”的基准，不是“能否生成看起来不错的输出”。

Harvey AI 的测试显示，Opus 5 在法律任务上比 Opus 4.8 平均少用 26% 的 token。Letta 在金融建模上发现时间减少了 60%，工具调用减少了三分之一。这不是营销话术，这是“同样价格，能力翻倍”的实打实的数据。

更值得玩味的是 Anthropic 的定位策略。他们不喊“我们打败了 OpenAI”，而是说“我们以一半的价格达到了几乎同样的水平”。Opus 5 的 ARC-AGI-3 成绩，一个 Fable 5 甚至没有公开分数的测试，让这个低调的叙事突然有了攻击性。

谁会赢，谁危险

Opus 5 的 ARC-AGI-3 成绩是一个信号，不止关于 Anthropic，更关于整个行业的方向。它证明了一个判断：模型能力的下一个瓶颈不是参数规模，不是训练数据，而是“在未知中学习的能力”。

Anthropic 选择在 Opus 5，一个中端产品上实现这种突破，而不是把它留给 Mythos 级旗舰，这件事本身就很有意思。这意味着他们相信这种能力应该被广泛使用，而不是锁在最高价产品里。

那些仍然依赖“更大、更多、更贵”策略的模型厂商面临一个拷问：如果 7.8% 到 30.2% 的跃迁发生在 $5/$25 的价格带上，而不是 $10/$50 甚至 $2000/月的企业方案上，那么“用更多算力换取更多智能”的假设还成立吗？

写在最后

短期来看，如果你正在为企业 AI 选型，ARC-AGI-3 分数比任何编码基准都更值得关注。不是因为你要让 AI 玩游戏，而是因为这个测试衡量的是“当 AI 面对从未见过的东西时，它能不能自己搞清楚”，而这正是企业落地 AI 时最头疼的问题。

长期来看，30.2% 离人类的 100% 还有巨大差距。但方向已经变了。从“模型能记住多少”到“模型能自学多少”，这条路上的每一步，都比一堆编码基准的满分更有意义。

当大家都在拿编码基准互相碾压时，Claude Opus 5 在一个 AI 几乎不可能作弊的测试上，把天花板从 7.8% 推到了 30.2%。不是因为它知道得更多，而是因为它开始学会“不知道的时候该怎么办”。这或许才是 2026 年最值得记住的 AI 信号。