一句话看懂：Amjad Masad 发帖称，给 LLM 加一个代码执行循环（coding harness）后，ARC-AGI-3 这个被视为 AGI 测量基准的测试几乎被攻克；开发者 Jeremy Berman 确实证明了这一点——用 Claude Code 配上 Opus 5，得分 96.2%，pass@2 达到 99.3%。这件事值得关注，不是因为它证明”模型什么都会”，而是因为”代码执行”可能是让大模型真正跨越推理与行动之间鸿沟的通用路径。
事件核心：发生了什么
8 月 14 日，Replit 创始人 Amjad Masad 在 X 上发帖表示：ARC-AGI-3 只需加上一个 coding harness 就几乎被解决，”代码让 LLM 获得了泛化能力，这与此前预测一致”。同日，开发者 Jeremy Berman 在回复中公开了具体成绩单：使用 Claude Code + Opus 5（high）的配置，仅靠一个 action command 和文件系统日志，就拿到 ARC-AGI-3 的 96.2% 得分，pass@2 更是达到 99.3%。他特别强调，这套方案几乎没有针对 ARC 做任何定制，相关代码已开源在 github.com/jerber/arc-code。
值得注意的是，ARC-AGI 系列基准向来以考察抽象推理能力著称，此前模型得分长期低于 50%，它一直被当作”大模型是否逼近 AGI”的重要标尺。如今连续三个版本的测试被逐步攻克，讨论重心从”模型能不能推理”转移到了”用什么样的执行架构让推理能力真正落地”。
为什么重要
这次突破的关键词不是”分数”，而是”泛化”——BERT 时代的模型很擅长单一任务，但换一个任务就崩；而代码执行循环的核心是”计划、执行、验证、修正”四步闭环，这套机制本身与具体任务无关。ARC-AGI-3 的题目千变万化，但模型只需写代码、跑代码、看日志、再改代码，一个通用的能力循环就能应对所有题目。
这意味着行业的技术路线可能正在发生一次明显的重心迁移：过去大家比的是单次推理有多聪明（单纯加大模型参数量、堆算力），现在则开始比拼”模型放在什么样的 Agent 框架里”——外部工具、反馈循环、环境交互能力，正在成为大模型性能表现里越来越重要的变量。对 OpenAI、Anthropic、Google 等闭源模型厂商来说，模型本身的推理能力依然是基础；但开源社区如果配合 harness 和 Agent 框架，有可能在推理之外的”工程层”追平甚至超过闭源方案。
对用户/开发者/创作者的影响
对普通用户来说，这个信号意味着 AI 工具的形态将持续改变：以后用得更多的可能不是”一个对话框里问一句、答一句”，而是”AI 自己动手写代码、运行、看结果、反复修到成功”——像 Claude Code 这样带执行能力的 Agent 产品，很可能成为未来 AI 应用的主流交互范式。
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。
对开发者而言，最直接的启示是：调模型时不要只关注 Prompt 写得好不好，更要关注模型是否拥有一个可”行动”的环境。现在 Claude Code、Codex 等工具直接提供了现成 harness，配套的 API 接口、日志系统、命令行工具成了与模型能力同等重要的组件。基于开源方案搭建自己的”模型 + 代码执行循环”再针对垂直场景微调，成本可能远低于想象。对创作者而言，生成代码只是第一步，接下来更值得尝试的是让 AI 把代码”跑起来”验证效果，比如自动生成网页、图片处理脚本或视频渲染流程，再用反馈闭环自主迭代。
值得关注的后续
第一，关注这套方案在 ARC-AGI-3 之外的真实任务上的表现。OpenAI、Anthropic 等厂商此前都有类似发现，但独立第三方（比如 Meta 的论文、MIT 的独立复现）给出的结论更能说明”代码执行泛化”是不是一条普遍规律。
第二，关注 Claude Code 这类 Agent 开发工具的生态变化。Jeremy Berman 只用了”一个 action command + 文件系统日志”，这意味着未来 Agent 工具的接口标准化、日志系统设计、上下文管理能力，可能成为开发者选型时的新硬指标。
第三，关注 ARC 基准本身的命运。如果 ARC-AGI-3 被代码 harness 轻易攻克，下一个被广泛认可的测量基准是什么？是否有更难的新基准出现，还是说行业干脆放弃”考试式测评”，改用真实任务的自动化评测？目前公开信息仍存在争议，但合理猜测是：一旦”代码执行 + 环境反馈”成为标配，衡量 AI 的标准就会从中考模拟题，切换成工程实战。
