一句话看懂：OpenAI 宣称其 GPT-5.6 Sol 通过专属 API 设置（保留推理链与上下文压缩）在 ARC-AGI-3 逻辑基准上取得 38.3% 的成绩，超过了 Anthropic Claude Opus 5 的 30.2%。但该成绩并非出自官方标准测试环境，ARC 奖联合创始人回应称通用 API 设置合规，但需明确报告成本与配置。这本质上是关于“基准测试到底测模型还是测系统”的规则争论。
事件核心：发生了什么
7 月 30 日，OpenAI 公开表示其 GPT-5.6 Sol 模型在 ARC-AGI-3 逻辑推理基准上取得了 38.3% 的得分，高于 Anthropic Claude Opus 5 此前创下的 30.2%。但关键前提是，OpenAI 并未使用该基准的官方测试套件，而是通过自家 Responses API，并额外启用了两项设置：“Retained Reasoning”（保留模型在步骤间的推理链）和 “Compaction”（压缩旧上下文而非直接截断）。在官方标准测试环境中，GPT-5.6 Sol 的得分仅为 7.8%。
ARC 奖联合创始人 François Chollet 回应指出，需要区分两种测试方式：禁止使用“为破解基准而定制的”套件，但允许使用“面向所有 API 用户开放且非专门为 ARC-AGI-3 开发的”通用 API 设置。他承认 OpenAI 最终采用的设置确实合规，且强调只要成本和设置公开透明，不同提供商存在配置差异是可以接受的。
为什么重要
这场争论揭示了 AI 基准测试背后一个无法回避的结构性问题：基准分数从来不只是模型能力的反映，也包含了测试环境与 API 系统能力的贡献。OpenAI 主张“评估应包含系统级能力”，而 ARC Prize 则认为“应该尽可能剥离系统影响以衡量模型本身”。目前公开信息显示，双方的分歧集中在是否采用“专为基准适配的推理压缩”功能——这直接影响了模型在连续任务中的上下文利用效率。从行业竞争角度看，这意味着大模型厂商正在将“基准优势”竞争从模型参数扩展到了 API 产品设计和推理优化层面。
对用户/开发者/创作者的影响
对于使用 API 的开发者，这个事件的实际信号很明确：同一模型在开启推理链保留与上下文压缩后，性能表现可以相差数倍。如果你正在构建需要多轮逻辑推理或多步任务的应用，API 选型时除了关注模型版本，还需要仔细评估 SDK 或 API 配套的推理保留、上下文管理等系统功能。对于关注“哪个模型更强”的采购决策者，建议同时关注测试使用的设置是否与你实际应用场景一致。对普通用户而言，目前公开的 ARC-AGI-3 分数都不宜直接视为“模型智商排名”，官方标准化分数（7.8%）与自定义设置分数（38.3%）的巨大落差本身说明基准的解读需要更多上下文。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，ARC Prize 是否会将“通用 API 设置”纳入正式的评测规则或评分分级标注，以避免未来出现类似的分数对比混乱。第二，开发者社区是否会基于此次争议形成一套“基准测试设置披露规范”，促使模型厂商在公布分数时同步说明 API 版本与优化开关的启用情况。第三，Claude Opus 5 或 Google Gemini 等其他巨头是否也拥有类似的专有推理优化开关，以及在开启后能否复现或超越 OpenAI 的这一分数。
