GPT‑5.6 Sol 尝试解决 ARC-AGI-3 基准测试中谜题的加速视频,左侧为官方测试框架,右侧为我们的 Responses API 测试框架(保留推理过程并支持压缩)。在_该游戏_⁠(在新窗口打开)排行榜上,没有任何前沿模型能通过第一关之后的关卡。使用我们的框架,GPT‑5.6 Sol 通过了全部六关。

GPT‑5.6 Sol 已解决数学领域长期存在的开放性问题,例如圈双覆盖猜想⁠(在新窗口打开),并通关了《宝可梦 火红》等游戏。但在 ARC-AGI-3(一个 2D 益智游戏基准测试)中,GPT‑5.6 Sol 仅得 7.8%,而 GPT‑5.5 几乎无法进行游戏,得分仅为可怜的 0.4%。

是 2D 益智游戏对我们的模型异常困难吗?还是另有原因?

基准测试很少孤立地衡量 AI 模型。它们同样衡量关于 API 设置、测试框架设计和提示词等不易察觉的选择。在 ARC-AGI-3 的案例中,我们发现启用我们在 ChatGPT 和 Codex 中使用的两项 API 设置——保留推理过程和压缩——在公开任务集上将得分提高了三倍,并将输出 token 减少了 6 倍。

使用官方测试框架,GPT‑5.6 Sol 在 ARC-AGI-3 公开集上得分为 13.3%。启用保留推理过程和压缩后,其得分为 38.3%。得分衡量的是相对人类行动效率(_RHAE_⁠(在新窗口打开))——一种将模型性能与人类基线进行比较的指标。根据_官方游戏日志_⁠(在新窗口打开),我们估计人类测试者的平均得分为 48%。模型不会被告知评分方式,也无法在整个过程中看到自己的分数——行动仅返回每帧的文本表示和当前所在关卡。

ARC-AGI-3

ARC-AGI-3 是一个旨在衡量 AI 智能体学习和推理能力的基准测试。智能体探索不熟悉的 2D 游戏,并在没有明确指令的情况下推断其运作方式。您可以在 arcprize.org/tasks⁠(在新窗口打开) 试玩 25 个演示游戏。

ARC-AGI-3 使用了一个故意设计得通用的测试框架,不包含工具或特殊功能。ARC 的理由是,简单的测试框架能使模型缺陷更明显,并使模型之间的比较更公平。相比之下,商业开发者会针对每个模型的特性和怪癖优化测试框架。

图片 1:Codex 中的 GPT-5.6 Sol 完成《杀戮尖塔 2》中随机生成的每日挑战。

Ethan Mollick_展示_⁠(在新窗口打开)了 Codex 中的 GPT‑5.6 Sol 通关《杀戮尖塔 2》中随机生成的每日挑战,该游戏发布于 GPT‑5.6 Sol 的知识截止日期之后。

但当我们深入探究时,发现模型的许多困惑并非源于模型本身,而是源于测试框架中的设置。

首先,我们注意到每次游戏动作后,所有私有推理过程都被丢弃。这意味着每次动作时,GPT‑5.6 Sol 都被要求重新理解游戏,无法记住之前的思考。模型仍然可以看到过去动作的记录和简短的附带注释,但无法看到导致这些动作的计划、洞察或想法。

其次,我们发现测试框架使用了滚动截断窗口,导致随着历史记录增长,较早的动作变得不可见。因此,GPT‑5.6 Sol 不仅无法记住过去的思考,还在逐渐失去对过去动作的记忆。

测试框架的这两个特性——丢弃推理过程和滚动截断——有助于解释为什么 GPT‑5.6 Sol 难以随时间学习。

智能体在记住所做之事时表现最佳

我们的模型经过训练,会在输出回复或工具调用之前,通过私有推理消息进行思考。这些私有思考消息会作为对话历史的一部分被保留。如果对话变得过长,我们会对其进行总结并继续。

这是我们的模型被训练的方式,也是它们在 ChatGPT 和 Codex 中部署的方式。为了更好地匹配我们的生产环境,我们使用 Responses API⁠(在新窗口打开) 实现了 ARC-AGI-3 测试框架。我们的 API 使上下文管理变得简单:对于 GPT‑5.6,传递之前的响应 ID 会自动在工具调用和轮次之间保留推理过程。

保留推理过程后,我们注意到两个重大变化。首先,GPT‑5.6 Sol 在每次动作前思考的时间减少了,因为它不再需要每轮都从头解释游戏。其次,当它能够记住过去的想法时,GPT‑5.6 Sol 在随时间学习和采用连贯策略方面表现更好。

下一个改进来自用 压缩⁠(在新窗口打开) 替换滚动截断,这是 Responses API 中的另一项设置。

ARC-AGI-3 测试框架通过滚动截断来处理上下文限制。当对话上下文超过 175,000 个字符时,最早的消息会被丢弃。

滚动截断有两个缺点。首先,模型会丢失早期的观察和动作。其次,它在大部分任务中都在更满的上下文窗口中运行,这可能会轻微损害性能。

当我们在 ARC-AGI-3 上启用压缩时,GPT‑5.6 Sol 能够更好地在更长的运行过程中保留对每个游戏所学到的内容,并以更少的输出 token 获得更高的分数。

为了说明保留推理过程和启用压缩的效果,以下动画展示了 GPT‑5.6 Sol 在使用不同测试框架解决一系列 ARC-AGI-3 谜题时,其 175K 上下文窗口的变化情况。

中间两列展示了每个测试框架如何不同地使用模型上下文窗口。凭借对过去更好的记忆,GPT‑5.6 Sol 每次动作思考更少,进展更快。注意:我们的实现使用了 175,000 个 token 的限制而非字符,但这最终非常相似,因为绝大多数文本是动作网格,我们的分词器以 1:1 的比例对其进行分词。

保留推理过程和压缩共同使 GPT‑5.6 Sol(最大)能够以 6 倍更少的输出 token 获得大约 3 倍的分数。

结论与建议

我们希望这些实验能提醒大家,评估很少孤立地衡量模型——它们同样衡量关于 API 设置、测试框架设计和提示词等不易察觉的选择。这并非我们第一次因公开基准测试的低分感到惊讶,然后发现评估运行器使用了丢弃推理消息的通用测试框架。

如果您是希望最大化性能的 API 开发者,我们建议使用与我们产品中部署相同的设置:

  • 使用我们的 Responses API,而非旧版 Chat Completions API
  • 保留推理过程
  • 采用压缩处理

若您正在比较模型,我们建议依赖采用上述设置的评估方案,这些设置最贴近 ChatGPT 和 Codex 中的实际使用场景。

我们感谢 ARC 多年来在 AGI 评估方面的创造性工作,以及他们的分析启发我们对此进行更深入的审视。

本文内容采集自官方网站,排版和翻译可能与原页面存在差异。

阅读官方全文