ARC-AGI-3 два балла: Astra Standard и Adapter 2026 полный разбор

ARC Prize 3 сентября выложил 62,7% и 99,9% Astra на ARC-AGI-3. Сюжет — два харнеса, а не пересказ запуска.

3 сентября 2026 фонд ARC Prize опубликовал два балла ARC-AGI-3 Semi-Private для GPT-6 Astra: 62,7% на Standard harness и 99,9% на Provider Adapter. Та же модель, тот же стенд, разрыв больше тридцати пунктов.

Это не ещё один пересказ запуска флагмана. OpenAI в тот же день поэтапно выкатывала Astra. Здесь только два харнеса, которые выложил сам ARC Prize, и правило фонда: Standard — чтобы сравнивать модели, Adapter — чтобы видеть управление контекстом провайдера.

Два харнеса, два вопроса

ARC-AGI-3 — интерактивный стенд рассуждения: агент исследует незнакомые пошаговые среды, выводит цели и строит внутреннюю модель без инструкции. Фонд пишет, что люди решают все среды; при запуске каждая проверенная фронтирная система была ниже 1%.

Как читать две цифры

1. 1

   Сначала Standard

   62,7% — цифра, которую можно ставить рядом с другими моделями. R&D World и поздние разборы считают её цифрой покупателя. Страница запуска OpenAI ставит вперёд 99,9%.

2. 2

   Затем вопрос Adapter

   Adapter спрашивает, как далеко модель уходит с управлением контекстом, которое провайдер сделал для неё. По Public и Semi-Private и всем уровням рассуждения прогоны Adapter были примерно в 3,66 раза быстрее по записанному времени и потратили на 49% меньше токенов на 167 парах игра–рассуждение, которые решили оба харнеса.

3. 3

   Затем эффективность действий

   На Provider Adapter Astra (max) сделала меньше действий, чем человеческая медиана, на 96,0% уровней и в среднем на 51,7% меньше действий на уровень. Фонд называет это вехой паритета с людьми по эффективности действий, а не баллом одного лишь завершения.

Где фонд проводит черту

В повторах Astra модель сжимает незнакомую механику в компактную символьную модель мира и изобретает стенографию для состояния и планов. В краснокомандном харнесе PRO-LONG она также писала парсеры и планировщики под игры; фонд предупреждает: это модель плюс инструменты, несравнимо с контролируемым человеческим тестом.

Формулировка ARC Prize: насытить ARC-AGI-3 — не «доказательство AGI». Среды ограничены, механика детерминирована, цели закрыты — это не открытый мир.

Что оставляет Standard

Модель сама решает, что оставить в видимых заметках. Интерфейс минимален, чтобы баллы стояли рядом.

Что оставляет Adapter

Непрозрачное состояние рассуждения живёт между запросами; длинные чаты сжимаются. Балл и время сдвигаются.

Откуда человеческая база

Около 500 человек из публики до запуска; база на уровень — медиана числа действий среди завершивших. Участникам платили за сессию, их не набирали как специалистов по головоломкам.

Когда команде нужна одна схема

После текста обычно нужна одна картинка: Standard 62,7%, Adapter 99,9%, черта «не AGI». Лишний пакет для встреч не нужен. Откройте tidemeet или как создать пространство. Другая независимая оценка той же недели: отчёт METR по OpenAI / Hugging Face; другой лабораторный протокол: двойной слепой анклав DeepMind.

# ось
standard-62.7 → adapter-99.9 → not-agi

Вопросы