ARC-AGI-3双分数是什么：2026 Astra标准与适配器评测全解析

ARC Prize在9月3日为Astra贴出62.7%与99.9%两套ARC-AGI-3分数。故事是测试架，不是又一篇旗舰稿。

2026年9月3日，ARC Prize基金会在官方博客公布 GPT-6 Astra 在 ARC-AGI-3 Semi-Private 上的两套分数：标准测试架 62.7%、Provider Adapter 99.9%。同一模型、同一基准，差了三十多个百分点。

这不是又一篇旗舰发布稿。OpenAI 当天也在推 Astra；本篇只读 ARC Prize 自己贴出的两套测试架，以及基金会写明的读法：标准架用来比模型，适配器用来看厂商自己的上下文管理。

两套测试架，两个问题

ARC-AGI-3 是交互式推理基准：智能体要在陌生的回合制环境里探索、推断目标、自己建内部模型，没有说明书。基金会写过：人类能解完全部环境；基准刚上线时，当时测过的前沿系统几乎都低于 1%。

怎么读这两套数字

1. 1

   先看标准架

   62.7% 是跨厂商可并排比较的数字。R&D World 与多家转述把它当作买家应带走的分数。OpenAI 发布页则把 99.9% 放在主表。

2. 2

   再看适配器在问什么

   适配器问的是：模型配上厂商为自己设计的上下文管理时能做到哪一步。跨 Public 与 Semi-Private、全部推理档，适配器跑法合计用时约快 3.66 倍；两边都解出的 167 组游戏—推理对上，总 token 少 49%。

3. 3

   再看动作效率

   在 Provider Adapter 上，Astra（max）有 96.0% 的关卡动作数低于人类中位基线，每关平均少 51.7% 步。基金会把这写成相对人类的动作效率里程碑，不是完成率本身。

基金会自己怎么划界

Astra 的回放里，模型会把陌生机制收成紧凑的符号世界模型，并自造简写记录状态与计划。PRO-LONG 红队架里它还能写关卡专用解析器与规划脚本；基金会提醒：那是模型加工具，不能和受控人类测试直接比。

ARC Prize 自己的句子：刷满 ARC-AGI-3 并不代表「证明已经实现 AGI」。环境有界、机制确定、目标封闭，不等于开放世界。

标准架带走什么

模型自己决定在可见笔记里留什么。接口最小，便于并排比较。

适配器带走什么

不透明推理状态在请求之间保留，长对话会被压缩。分数和耗时都会变。

人类基线怎么来的

上线前约 500 名普通参与者；每关人类基线取完成者的动作数中位数。被试按场次计酬，不是职业解谜选手。

和同事对齐两套分时

读完后通常缺一张图：标准架 62.7%、适配器 99.9%、以及「不是 AGI」这句边界。不必再装会议套件。可在tidemeet开短时空间，或看如何创建空间。同期独立调查见METR 与 OpenAI / Hugging Face 评测；另一套实验室协议见DeepMind 双盲飞地评测。

# 对照轴
standard-62.7 → adapter-99.9 → not-agi

还有疑问？