一句话看懂：ARC Prize Foundation 发布第二代抽象推理基准 ARC-AGI-2，用 1360 道网格题测试 AI 的少样本推理和泛化能力，同时被刻意设计成“对机器更难、对人仍可解”。发布时纯 LLM 得分 0%，前沿推理系统也只有个位数百分比。
事件核心：发生了什么
ARC-AGI-2 是抽象推理语料库（ARC）的第二代版本，由 ARC Prize Foundation 开发。它延续了前代的题型：给系统若干组网格输入输出示例，让模型自行推断变换规则，再应用到新的测试输入上，每个测试用例允许两次尝试（pass@2）。
整个基准共 1360 道题，其中 1000 道为训练任务，360 道为评估任务，评估集平均分成公开、半私有和私有三组，各 120 道。相比初代，新版本删除了那些容易被暴力程序搜索攻破的题目，新增题目集中在符号解读、组合推理和上下文规则应用上——也就是当前系统容易停留在表层视觉模式、难以同时处理多条相互作用规则的薄弱环节。官方组织了 400 多名参与者的人类对照测试，确认每道评估题至少有两名受试者能在两次尝试内解出，人类平均得分约 60%。
为什么重要
ARC 系列一直是衡量“AI 是否具备类人抽象推理”的代表性标尺。ARC-AGI-2 把难度拉开后，暴露出一个清晰断层：依赖大规模预训练和模式匹配的大模型，在这类需要现场归纳规则的题目上几乎无能为力。这为行业提供了一个相对干净的对照——算力、数据规模与推理能力并非线性关系。对正在推进推理模型、神经符号系统或程序合成路线的团队来说，这个基准既是压力测试，也是路线选择的参考坐标。它还强调“每道题解出所耗算力”，意味着单纯堆推理时长的做法会被更严格地审视。
对用户/开发者/创作者的影响
对普通用户而言，短期内直接影响有限，但它提示了一件事：当前 AI 应用在面对真正新颖、需要现场推理的任务时，可靠性仍不稳定。开发者如果正在做 Agent、自动化流程或结构化数据处理，应意识到模型在规则归纳类任务上的短板，必要时引入程序化验证或人工兜底。做评测和模型选型的团队，可以把 ARC-AGI-2 纳入参考，但要注意它衡量的是抽象推理这一特定维度，不能直接等同于产品体验。内容创作者则可关注“人类平均 60%、AI 个位数”这一对比，它比笼统的“AI 超越人类”叙事更接近真实能力边界。
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
一是后续是否有模型或方法在 ARC-AGI-2 上取得实质突破，尤其是结合程序搜索、符号推理或混合架构的方案；二是“单位任务算力”这一指标是否被更多评测采纳，进而影响推理成本与定价逻辑；三是公开、半私有、私有三组评估集的分数差异，能否反映模型是真正泛化还是在拟合公开数据。目前公开信息显示，该基准发布时的领先成绩仍停留在个位数百分比，后续变化值得跟踪。
