GPT-6 Astra 在 ARC-AGI-3 測試中取得接近 100% 的成績，引發關注。該模型透過生成高效的「符號世界模型」，將現實世界抽象為邏輯符號與因果代碼，在陌生圖形遊戲中自主建立 DSL 代數符號系統以記錄環境規則，建構「虛擬沙盒」進行模擬推演後再行動。然而，高分背後是每題 360 美元、整場測試高達 1.8 萬美元的昂貴算力成本。ARC Prize 基金會總裁 Greg Kamradt 指出，高分依賴 Harness 外部框架的加持，並非真正的 AGI 突破，僅證明 AI 正在變聰明。文章作者、來源：雷峰網
每題狂燒 360 美元，GPT-6 真的通關 AGI 了？
OpenAI 的最強模型 GPT-6 Astra 終於亮相，它在電腦操作、科學研究和安全防禦上均取得驚人突破。而在眾多亮眼成績中，最引發大眾熱議的是它在 ARC-AGI-3 測試中，成績逼近 100%。
ARC-AGI-3 是什麼？這是目前全球科技圈公認的 AI「智商」評測榜，你可以把它理解為 AI 界的門薩俱樂部入會考試。
這個測試全是不斷變化的圖形規律題，根本無法靠刷題應對，AI 必須像人類一樣探索環境、推測目標，並依靠臨場反應與推理能力找出規律。這在各類評測中屬於較高階的題型，更能測試出 AI 到底只是一個工具，還是真正具備智能。
而 GPT-6 Astra 竟然將這個測試打穿了，要知道，上一個模型 GPT-5.6 Sol 的分數還是 38.3%，這實在是一個巨大的飛躍。這種智力甚至碾壓人類，在 96% 的關卡中，它都比人類的操作效率更高，平均動作步數比人類少 51.7%。
如果一個 AI 在完全陌生的環境下，真正具備了建立邏輯規律並解決問題的能力，我們可以暢想一下，未來，或許它可能在未知的自動駕駛路況中，做出正確的選擇，或者在全新的未知病毒爆發時，迅速推演出特效藥的分子結構。
為了探究 GPT-6 Astra 為什麼這麼聰明，ARC Prize 官方親自復盤了它的後台記錄，發現它在玩遊戲時，會生成高效的「符號世界模型」。
符號世界模型是「世界模型」的高級衍生品。當世界模型像藝術家一樣，用畫面來預測未來時；即時符號世界模型更像一個數學家，將現實世界抽象為邏輯符號和因果代碼。
This technology is widely recognized as the essential path for AI to achieve advanced reasoning.
什麼是符號世界模型？
過去，許多大模型在 ARC-AGI 系列基準測試中無法取得高分的一個重要原因，是它們習慣了「暴力試錯」。AI 會將遊戲畫面切成像素塊，先隨便點一下，不對就換個方向，靠運氣通关。
在這種模式下，即使有一些分數的突破，AI 也不是真正理解和掌握遊戲規則。
符號世界模型之所以能掌控全局，正在於它是對周圍環境物理規律、因果關係充分理解後，通過精密計算後做出選擇。
在實際測試中，當 GPT-6 Astra 進入陌生的圖形遊戲後，它會開始使用自創的 DSL，一種專屬的代數符號系統，對觀察到的環境做大量筆記。例如，它會精準記錄下遊戲潛在的隱性規則、一連串即將執行的指令，甚至將每一個像素的運動軌跡都精確映射到座標系上。
這種代數的記錄方式帶來的是唯一確定的世界狀態，相較於之前模型以自然語言互動所產生的歧義性，這種符號化表述將使準確率實現史詩級躍升。
然後，它會先在腦海裡寫出一套 Python 代碼邏輯：「如果我按 A，圖形就會左轉 90 度」。
接著，它會在自己的大腦中建立一個「虛擬沙盒」，在腦中模擬接下來的計劃。確認邏輯閉環、準確無誤後，它才會在現實遊戲中點下第一步。這就是為何它的操作效率遠高於人類的原因。
為探測 GPT-6 Astra 的能力邊界，紅隊測試平台 PRO‑LONG 將其置於代碼沙盒中，允許 AI 自主編寫並執行自訂代碼。
結果，GPT-6 Astra 竟然開始為每一款遊戲「量身定制」工具。例如，在一個有守衛巡邏的複雜迷宮遊戲中，GPT-6 Astra 自己寫了個導航系統，接著又添加了戰鬥規則，還模擬了守衛的巡邏路線，最後透過這套自製工具鏈完美預測並校驗了成果。
早年，這套符號推演、自主造工具的能力，完全依賴外部 Harness 外掛框架實現。外掛幫助模型進行畫面轉譯、狀態記錄和結果校驗，但缺點十分突出：模型與外掛之間來回傳輸數據帶來高延遲；外掛的工程能力與大模型本身的權重訓練完全脫節；由於對雲端計算環境和外部腳本的重度依賴，這類高階能力很難部署到端側邊緣硬體上。
而 GPT-6 Astra 現在將大量屬於 Harness 的能力內化至模型自身的權重中。一直推崇符號世界模型的頂尖學者 Gary Marcus 不禁盛讚 GPT-6 Astra 是這一路線的重大勝利。
過去一兩年，學術界與產業界在這個方向湧現了大量核心成果，從哈佛、MIT 到 Google DeepMind，所有人都在押注「符號世界模型」。在通往 AGI 的無數條分叉路口前，業界正達成某種底層的技術共識。
分數這麼高，AGI 穩了？
出題人親自潑冷水
有趣的是，當全網為這一刷榜分數沸騰時，不少人轉發 OpenAI 執行長 Greg Brockman 那句「AGI 已來」時，ARC Prize 基金會執行長 Greg Kamradt 親自下場澆了冷水。
他是出題人中的核心人物，對於基準如何設計、分數如何解讀，他最有發言權。從評測角度來看，他認為分數雖然是真實的，但這玩意離 AGI 還差著十萬八千里。
到目前為止，他已經看到不少團隊依靠 Agent Harness 在 ARC-AGI-3 上取得 90% 以上的成績，例如擁有超強記憶外掛的 PRO-LONG、擅長深度推演的 Tycho，以及能自我進化程式設計環境的 Prime Agent。
這些獲高分的產品都具備相同的技术配方，即包含無損記憶體、程式化分析、顯式假設檢驗、持久狀態和低成本內部計算五大部份。
其中無損記憶負責記憶，程式化分析負責邏輯，顯式假設檢驗負責推演，持久狀態負責多輪互動的上下文，低成本內部計算負責廉價內部算力，讓 AI 能在虛擬環境裡瘋狂試錯後再輸出正確答案。這些共同組成了一個無敵的 Harness，會補足模型自身的不足。
GPT-6 Astra 逼近 100% 的成績，同樣使用了一套豪華的 Harness 加持，它借助了專門定制的「供應商適配器基座」，利用連續對話和上下文壓縮來幫它撐起邏輯鏈，每跑完一局遊戲，就需要消耗 360 美元的昂貴算力。如果完整跑完一整場測試，總算力賬單會高達驚人的 1.8 萬美元（約合 13.5 萬人民幣）！
人類解一個圖形謎題可能只需幾分鐘，按人腦 20W 代謝功率折算電費，不到半美分；即使算上支付給受試者的真实時薪補貼，折合每局也就 12.78 美元，而 AI 要花掉 360 美元。這種靠「鈔能力」拼出來的成績，真的能成為普通人觸手可及的 AGI 嗎？
當然，GPT-6 Astra 已經開始逐步內化 Harness 的能力，如果繼續發展，模型內部的潛在計算能力會越來越強。不過，由於其推理過程開始變得不透明，開發者們也不知道 AI 真的懂了，還是找到了更高效的作弊方式。
回到上面的問題，GPT-6 Astra 到底算不算 AGI？
對於這個問題，Greg Kamradt 在他的長文結尾，給出了一個充滿哲思的回應。人類為何能被視為「通用智能」？因為人類能適應任何未知的世界，即使把古代的嬰兒扔到現代，他同樣能學會坐地鐵、用手機。這種智能延續千年，不斷推動科技進步。但現在科技界要氪金通過的評測，只是給 AI 辦的一場「圖形消消樂考試」。
這只是證明 AI 正在變聰明，但絕不是 AGI 到來的證據。