就在刚刚，claude opus 4.8（high）强势登顶该榜单首位。

RHAE得分为1.5%，是第二名的整整三倍！

但代价同样惊人——单次评测耗资高达1万美元。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

若放在其他主流AI测评中，1.5%这个数字几乎等同于“不及格”。

但在ARC-AGI-3这项测试中，它却是迄今为止的最高分，且毫无争议。

此前的纪录由Opus 4.6（Max）保持，得分为0.5%。

GPT-5.5则仅为0.4%，甚至不足Opus 4.8的三分之一。

截至6月1日的完整排名如下：

Opus 4.8（High），1.5%，1万美元
Opus 4.6（Max），0.5%，8900美元
GPT-5.5（High），0.4%，1万美元
Gemini 3.1 Pro（Preview），0.4%，2200美元
Opus 4.7（High），0.2%，1万美元
GPT-5.4（High），0.2%，5200美元
Grok 4.20（Beta Reasoning），0.1%，3800美元

Opus 4.8强势登顶，刷新最难AI考试SOTA纪录

最高分仅1.5%。这张试卷究竟难在何处？

尽管此前的ARC-AGI-1与ARC-AGI-2也颇具挑战性，但它们本质仍是带标准答案的填空题。

而ARC-AGI-3则是将模型直接投入一个完全陌生的游戏世界——零说明、零引导、零提示。

一切靠自己摸索规则、推测目标、构建策略、规划路径。

测试一经发布，所有顶尖AI模型的成绩瞬间清零。

简而言之，ARC-AGI-3真正考察的是Agent级能力。而Opus 4.8此次升级的核心方向，恰恰全部聚焦于此。

在多数传统基准测试中，它的提升幅度相对温和：
SWE-bench Verified从87.6%小幅升至88.6%，GPQA Diamond则稳定在93.6%。

但在所有与Agent能力强相关的评测中，表现却迎来质变式飞跃。

SWE-bench Pro（更具挑战性的代码修复任务）从64.3%跃升至69.2%，大幅领先GPT-5.5的58.6%，优势超10个百分点。

Online-Mind2Web（网页浏览器操作测试）斩获84%准确率，同时超越Opus 4.7与GPT-5.5。

Terminal-Bench Hard则实现6.8个百分点的显著增长。

反观GPT-5.5：

它在静态推理任务上依旧所向披靡——ARC-AGI-2拿下85%，Terminal-Bench各项指标也全面占优。

可一旦任务性质从“解一道题”转向“在动态复杂环境中持续执行与调整”，GPT-5.5便明显力不从心。

SWE-bench Pro落后Opus 4.8逾10个百分点；在更贴近真实工作流的GDPval-AA评测中，Opus 4.8以1890 Elo分领先约120分，胜率达67%。

换言之：若考的是“已知领域内的深度推理”，GPT-5.5仍为王者；若考的是“面对未知场景的实时理解与长期适应”，Opus 4.8正迅速拉开身位。

而ARC-AGI-3，正是后一能力的极致压力测试。

5帧识别规则，随后陷入局部最优陷阱

为深入解析Opus 4.8的实际表现，ARC Prize官方同步公开了其完整解题过程。

核心洞察只有一个关键词——「抽象层级」。

Opus 4.7眼中的ARC-AGI-3画面，是一张像素级图像，依赖底层视觉特征进行逐帧分析。

Opus 4.8看到的，则是可交互的对象与系统结构——它能主动区分实体、背景、动态关系，并建模行为逻辑。

仅差一个抽象层级，结果却判若云泥。

在ar25环境中，Opus 4.8仅用5帧即归纳出镜像反射规律（“蓝色左移3格 → 橙色右移3格……关于第31列对称”），并在24步内通关首关。

在lp85环境中表现更为惊艳。

这是ARC Prize官方认证的Opus 4.8“公开表现最佳环境”，多个关卡达成接近人类水平的操作效率。

但在dc22环境中，它虽顺利通过前3关，却在第4关陷入顽固的错误子目标循环，始终无法跳出。

这恰恰是Opus 4.7根本无法抵达的阶段，也标志着一种全新的失败范式。

进步与新缺陷，同步抵达。

每一代ARC-AGI，都在预演下一场AI主战场

自诞生以来，ARC-AGI每一次迭代，都精准映射了下一阶段AI竞争的核心方向。

ARC-AGI-1预言了推理范式的崛起。
2024年底o3模型的重大突破，正式宣告大推理模型（LRM）时代的开启；半年后，“强推理”已成为前沿模型的标配能力。

ARC-AGI-2预告了编程Agent的爆发。
2025年各大模型在ARC-AGI-2上的快速跃升，与Claude Code、Codex等编程Agent产品的密集落地节奏高度重合。

而ARC-AGI-3正在检验的，是AI在开放交互环境中的自主探索与泛化适应能力。

倘若历史规律再次应验，那么接下来的竞争焦点，将聚焦于——谁能在从未见过的世界里，最快完成认知重建与策略演化。

GPT-5.5在旧体系中领先11个百分点；Opus 4.8在新体系中领先近4倍。

哪张考卷更能定义未来？答案或将很快揭晓。

参考资料：
https://www.php.cn/link/b2a789320cd3824071acd43ef60e8304
https://www.php.cn/link/64d0072584e8593e682126fa42306f19

本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。