2026年10月4日，ARC-AGI-3 Kaggle社区排行榜迎来剧烈波动。Tufa Labs以55.89%的相对人类行动效率（RHAE）登顶，几乎翻倍了9月30日里程碑获胜者创下的27.9%纪录。值得注意的是，支撑这一突破的底层模型并未发生本质变化，真正的变量在于包裹模型的工程架构。
OpenAI在7月的一项受控实验中量化了这种“包装”的价值：仅通过两项配置更改，便在未改动模型的情况下，使ARC-AGI-3得分提升4.9倍。目前，这一洞察已在社区大规模验证中落地——榜单首位的运行环境仅依赖一块借用的GPU和拥有270亿参数的开源权重模型。
榜单格局与大奖悬空
当前排行榜显示，Tufa Labs以55.89 RHAE领先，Yi-Chia Chen以48.59分紧随其后，大量竞争者集中在33%至38%区间。尽管分数飙升，旨在奖励达到人类水平表现的70万美元大奖仍无人问津。最终提交截止日期为2026年11月2日。
ARC-AGI-3：从静态谜题到交互智能
ARC-AGI-3由ARC Prize基金会于2026年3月25日发布，创始人包括AI研究员François Chollet和企业家Mike Knoop。与前代静态网格视觉谜题不同，新基准将AI智能体置于类似简单电子游戏的交互环境中。这里没有明确规则或指令，智能体必须基于第一性原理，通过感知、行动和反馈循环推断目标。
性能指标采用相对人类行动效率（RHAE），即AI完成任务所需行动数与人类中位数基线的比值。100%代表人类效率，理论上限为115%。由于评估集包含真正新颖的环境，记忆过往数据无效，而低效的蛮力探索会导致RHAE趋近于零。发布之初，前沿模型得分均低于1%，与人类的100%形成巨大落差。
开源引发的“级联效应”
竞赛规定所有方案必须在获取私有评估分数前以开源许可证发布，且需在Kaggle严格的单GPU、无网络限制下运行。这一机制催生了社区的技术级联。
最具影响力的开源项目是Tufa Labs开发的The Duck。该团队赢得6月30日里程碑首奖后，在MIT许可下开源框架。The Duck基于阿里云的Qwen 3.6 27B FP8开源模型，其核心设计极简：
- Python REPL接口：将游戏状态编码为Python变量，模型通过实时REPL进行交互式编程。
- 三通道感知：同时处理渲染图像、原始ASCII网格及分割缩放工具。
- 上下文驱逐机制：移除旧消息以保留系统提示和近期历史，实现无限时长的探索会话。
Tufa Labs发现，添加手工专用工具反而降低性能，模型在通用界面上的即兴发挥效果更佳。此后，社区在此框架上快速迭代。9月30日里程碑的前三名得主均深受The Duck影响，通过优化上下文管理、感知管道和内存策略，在保持基础模型不变的前提下显著提升了分数。
工程架构：被低估的性能杠杆
OpenAI的实验提供了最直接的证据：通过保留GPT-5.6 Sol的私有推理状态并将上下文截断改为压缩，其得分从7.8%跃升至38.3%，Token生成量减少6倍。另一项名为Schema的研究也显示，优化后的支架使Claude和GPT基线在公共游戏集上的得分从42.83%飙升至98.98%。
这些数据揭示了一个关键事实：在智能体系统中，“脚手架”设置——即如何管理上下文、推理状态和感知输入——本身就是基准分数的重要组成部分。
56%分数的真实含义
分数的快速攀升引发了对基准有效性的讨论：如果同一模型因推理编排不同而产生巨大分数差异，基准究竟在测量什么？RHAE虽能防止数据记忆和蛮力作弊，但无法完全剥离“推理编排效率”这一维度。
对此，ARC Prize基金会保持谨慎。其验证排行榜采用标准化跨提供商支架，以确保可比性。目前，GPT-6 Astra在验证榜上得分为62.7%，Claude Opus 5为30.2%。相比之下，Kaggle社区榜允许自定义支架，反映的是模型能力与工程复杂度的复合体。
基金会指出，更好的支架带来了“进一步的任务自动化能力”，具有经济价值，但这不一定代表向AGI迈进的本质进步。然而，在单GPU限制下构建高效智能体的工程挑战是真实的，相关成果对从业者具有直接应用价值。
冲刺阶段：大奖仍存悬念
随着11月2日截止日临近，28支活跃团队竞争激烈。社区在四天内将榜单从27.9%推高至55.89%，显示迭代速度未减。但由于私有评估集完全未见，公共榜分数无法直接预测私有表现。从55.89%跨越到私有集上的100%，需要智能体具备对全新环境的可靠泛化能力，而不仅仅是更优的支架。
无论结果如何，竞赛已成功加速了开源智能体推理研究。获奖者将于2026年12月4日公布。
常见问题解答
什么是智能体脚手架？为何它对ARC-AGI-3至关重要？
智能体脚手架指围绕基础模型构建的基础设施，负责管理上下文、推理状态保留及感知管道。在ARC-AGI-3中，RHAE评分惩罚低效探索，奖励有效假设形成。因此，模型是否保留思维链或如何结构化上下文，直接决定分数。OpenAI实验证明，仅调整这两项配置即可使分数翻倍。
为何分数超55%却无人领取70万美元大奖？
Kaggle社区榜基于可提前研究的25个公共游戏，允许自定义支架；而大奖要求在私有保留集上达到100%人类水平，且需在标准化条件下独立验证。目前尚无提交作品在私有集上接近该阈值，公共高分与私有满分之间存在巨大鸿沟。
验证排行榜与Kaggle社区榜有何区别？
验证排行榜使用标准化支架，反映基础模型差异（如GPT-6 Astra得62.7%）；Kaggle社区榜允许自定义支架，反映模型与工程的复合能力。这种设计旨在促进社区实验，但也意味着两者不可直接横向对比。
脚手架驱动的高分是否意味着AI变聪明了？
ARC Prize基金会认为，支架改进提升了任务自动化能力，具有经济价值，但不一定代表底层模型的新颖推理能力增强。社区榜与验证榜追踪不同维度，混淆二者可能导致误判。