每题烧360美元，GPT-6打穿AI智商测试，AGI真来了？

OpenAI 的最强模型 GPT-6 Astra 终于亮相了。它在电脑操作、科研探究和安全防御上都有惊人突破，但最让全网沸腾的，是它在 ARC-AGI-3 测试中，成绩逼近 100%。

ARC-AGI-3 是什么？你可以把它理解为 AI 界的门萨俱乐部入会考试。这个测试里全是不断变化的图形规律题，根本没法靠刷题蒙混过关。AI 必须像人类一样去探索环境、推测目标，靠临场反应和推理能力找出规律。这在各类评测中属于高阶玩法，更能测试出 AI 到底只是一个工具，还是真智能。

上一个模型 GPT-5.6 Sol 的分数还是 38.3%，这次直接逼近满分，堪称巨大飞跃。更夸张的是，这种智力甚至碾压人类——在 96% 的关卡中，它都比人类操作效率更高，平均动作步数比人类少 51.7%。

符号世界模型：从暴力试错到数学家的推理

为了探究 GPT-6 Astra 为什么这么聪明，ARC Prize 官方亲自复盘了它的后台记录，发现它在玩游戏时，会生成高效的“符号世界模型”。

过去，很多大模型在 ARC-AGI 系列基准测试中拿不到高分，一个重要原因就是它们习惯了“暴力试错”。AI 会把游戏画面切成像素块，先随便点一下，不对就换个方向，靠运气通关。这种模式下，就算分数有突破，AI 也不是真正理解和掌握游戏规则。

符号世界模型之所以能掌控全局，正在于它是对周围环境物理规律、因果关系充分理解后，通过精密计算做出选择。在实际测试中，当 GPT-6 Astra 进入陌生的图形游戏后，它会开始用自创的 DSL（一种专属的代数符号系统），对观察到的环境做大量笔记。比如，它会精准记录下游戏潜在的隐性规则、一连串即将执行的指令，甚至将每一个像素的运动轨迹都精确映射到坐标系上。

这种代数的记录方式带来的是唯一确定的世界状态，相较于之前模型用自然语言交互产生的歧义性，这种符号化表述会让准确率带来史诗级飞跃。然后，它会先在脑海里写出一套 Python 代码逻辑：“如果我按 A，图形就会左转 90 度”。

接着，它会在自己大脑里建一个“虚拟沙盒”，在脑中模拟接下来的计划。确认逻辑闭环、准确无误后，它才会在现实游戏中点下第一步。这就是为什么，它的操作效率远高于人类的原因。

红队测试：AI 开始为自己“量身定制”工具

为了摸透 GPT-6 Astra 能力边界，红队测试平台 PRO-LONG 把它放进代码沙盒，允许 AI 自主编写、运行自定义代码。结果，GPT-6 Astra 居然开始为每一款游戏“量身定制”工具。比如在一个有守卫巡逻的复杂迷宫游戏里，GPT-6 Astra 自己写了个导航系统，接着又添加了战斗规则，还模拟了守卫的巡逻路线，最后通过这套自制工具链完美预测并校验了成果。

早些年，这套符号推演、自主造工具的能力，完全依赖外部 Harness 外挂框架实现。外挂帮模型做画面转译、状态记录、结果校验，但缺点十分突出：模型和外挂来回传输数据带来高额延迟；外挂的工程能力与大模型本身的权重训练完全脱节；由于对云端计算环境和外部脚本的重度依赖，这类高阶能力很难被部署到端侧边缘硬件上。

而 GPT-6 Astra 现在把大量属于 Harness 的能力，内化进模型自身权重。一直推崇符号世界模型的顶尖学者 Gary Marcus 忍不住盛赞 GPT-6 Astra 是这一路线的重大胜利。近一两年来，学术与产业界在这个方向涌现了大量核心成果，从哈佛、MIT 到 Google DeepMind，所有人都在押注“符号世界模型”。在通往 AGI 的无数条分叉路口前，业界正在达成某种底层的技术共识。

出题人亲自泼冷水：分数是真的，AGI 还差得远

很有意思的是，在全网为这一刷榜分数沸腾时，不少人转发 OpenAI 总裁 Greg Brockman 那句“AGI 已来”时，ARC Prize 基金会总裁 Greg Kamradt 亲自下场泼了冷水。他是出题人中的核心人物，基准怎么设计、分数怎么解读，他最有发言权。从评测角度，他认为分数虽然是真的，但这玩意离 AGI 还差着十万八千里。

到目前为止，他已经看到了不少团队靠 Agent Harness 在 ARC-AGI-3 上拿到 90% 以上，比如有超强记忆外挂的 PRO-LONG、擅长深度推演的 Tycho、能自我进化编程环境的 Prime Agent。这些拿高分的产品都有共同的技术配方，即拥有无损内存、程序化分析、显式假设检验、持久状态、