Analyzing GPT-5.5 & Opus 4.7 with ARC-AGI-3

摘要

分析 OpenAI 的 GPT-5.5 與 Anthropic 的 Opus 4.7 在 ARC-AGI-3 測試環境中的推理過程，發現了模型常見的三種失敗模式，包括無法建立全域性世界模型、錯誤抽象訓練資料以及解決單一關卡卻未學習遊戲規則。文章公開了分析套件與重播連結，讓讀者能透過觀察模型思考而非僅看分數，來理解 AI 在面對新環境時的真實能力與侷限。

This article analyzes the reasoning traces of GPT-5.5 and Opus 4.7 on ARC-AGI-3, revealing common failure modes in AI agent reasoning and open-sourcing the analysis toolkit.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• ARC-AGI-3 能透過重播與推理軌跡，揭露模型得分背後的思考過程。
• 發現模型常見失敗模式：無法建立全域性規則、錯誤抽象訓練資料、解決關卡卻未學習遊戲。
• 分析顯示不同模型在抽象與壓縮資訊時有差異，分數無法完全反映推理品質。

提到的工具與公司

• ARC-AGI-3
• GPT-5.5
• Opus 4.7
• Codex
• Claude Code

適合誰看

適合對 AI 模型評估、機器學習原理或代理系統設計感興趣的研究者與開發者。

摘要依據

依據

文章全文

為什麼排在這裡

人氣

0.50

新鮮

0.54

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• Sign of the future: GPT-5.5文章 ・ Ethan Mollick（部落格）
• Is GPT-5.5 Better Than Opus Now? (ft. Our New AI Co-Host) - EP99.38Podcast ・ This Day in AI ・ 47 分鐘
• ChatGPT Dots Is Insane... But Gemini’s NEW Argon Is EVEN Bigger影片 ・ Riley Brown
• OpenAI's GPT-6 Astra on ARC-AGI-3文章 ・ ARC Prize
• #258 - Opus 5.5, Sol and Luna, Muse, DeepSeek-V4.1-Flash, XiPodcast ・ Last Week in AI ・ 1 小時 43 分
• The Two Best AI Models/Enemies Just Got Released Simultaneously影片 ・ AI Explained ・ 20 分鐘