GPT-5.6 Sol刷新ARC-AGI-3基准测试：OpenAI反驳Anthropic优势论

OpenAI最新公布的基准测试数据显示，其旗舰模型GPT-5.6 Sol在ARC-AGI-3逻辑推理基准测试中达到38.3%的得分，一举超越Anthropic旗舰Claude Opus 5的30.2%，后者此前刚刚以四倍成绩刷新了该基准的历史记录。

值得注意的是，GPT-5.6 Sol的标准测试得分仅为7.8%。OpenAI能够实现飞跃，得益于其 Responses API中两项专属设置：保留推理（Retained Reasoning）使模型的思维链在各步骤间保持连贯，压缩（Compaction）则对旧上下文进行摘要而非直接截断。

ARC-AGI-3的设计初衷是测试纯模型能力，采用标准化方法来确保不同提供商的公平比较。ARC Prize联合创始人François Chollet回应称，只要设置和成本明确报告，使用非针对基准测试开发的通用API设置是可以接受的。

OpenAI与ARC Prize之间存在方法论上的持续分歧。Chollet指出，双方在如何最好地测试模型方面进行了大量讨论，特别是在压缩设置方面。ARC Prize承认其官方测试可能使OpenAI处于不利地位，因为其使用了较旧的API格式。

OpenAI坚持认为，基准测试从来不只是衡量模型本身，还包括围绕它的技术设置。这一论点有一定合理性，但与ARC-AGI-3旨在测量纯模型性能的初衷存在张力。业界普遍认为，AI基准测试的方法论透明化已刻不容缓。

这场隔空论战折射出AI评估体系的深层困境：当顶尖实验室可以自由选择对自己有利的测试设置时，基准测试的客观性便面临挑战。业界呼吁建立更透明、更统一的AI能力评估标准。

无论方法论争议如何，GPT-5.6 Sol与Claude Opus 5的激烈竞争已充分表明，基础模型的能力边界仍在快速拓展，而谁是真正的最强者，或许永远取决于你用什么样的尺子去测量。