知名 AI 研究员 Francois Chollet 共同创立的非营利组织 Arc Prize Foundation 在周一的一篇博文中宣布,他们创建了一个新的、具有挑战性的测试,用于衡量领先 AI 模型的通用智能水平。
到目前为止,这个名为 ARC-AGI-2 的新测试让大多数模型都难以应对。
根据 Arc Prize 排行榜显示,像 OpenAI 的 o1-pro 和 DeepSeek 的 R1 这样的"推理型" AI 模型在 ARC-AGI-2 上的得分在 1% 到 1.3% 之间。包括 GPT-4.5、Claude 3.7 Sonnet 和 Gemini 2.0 Flash 在内的强大非推理模型的得分约为 1%。
ARC-AGI 测试由类似谜题的问题组成,AI 需要从不同颜色方块的集合中识别视觉模式,并生成正确的"答案"网格。这些问题的设计目的是迫使 AI 适应它之前从未见过的新问题。
Arc Prize Foundation 让超过 400 人参加了 ARC-AGI-2 测试,以建立人类基准。平均而言,这些人组成的"小组"在测试题目中的正确率达到 60% —— 远远超过任何模型的得分。
在 X 平台上的一篇帖子中,Chollet 声称 ARC-AGI-2 比第一代测试 ARC-AGI-1 能更好地衡量 AI 模型的实际智能水平。Arc Prize Foundation 的测试旨在评估 AI 系统是否能在其训练数据之外高效地获取新技能。
Chollet 表示,与 ARC-AGI-1 不同,新测试防止 AI 模型依赖"暴力计算" —— 即大量计算力 —— 来寻找解决方案。Chollet 此前承认这是 ARC-AGI-1 的一个主要缺陷。
为了解决第一个测试的缺陷,ARC-AGI-2 引入了一个新的衡量标准:效率。它还要求模型即时解释模式,而不是依赖记忆。
Arc Prize Foundation 联合创始人 Greg Kamradt 在一篇博文中写道:"智能不仅仅由解决问题或获得高分的能力来定义。获取和部署这些能力的效率是一个关键的、决定性的组成部分。核心问题不仅仅是'AI 能否获得解决任务的技能?',还包括'以什么效率或成本?'"
ARC-AGI-1 在大约五年内都未被超越,直到 2024 年 12 月,OpenAI 发布了其先进的推理模型 o3,该模型超越了所有其他 AI 模型,并在评估中达到了与人类相当的表现。然而,正如我们当时指出的,o3 在 ARC-AGI-1 上的性能提升伴随着高昂的成本。
OpenAI 的 o3 模型版本 —— o3 (low) —— 首次在 ARC-AGI-1 上达到新高度,在测试中得分 75.7%,但在 ARC-AGI-2 上每个任务使用 200 美元的计算力只获得了 4% 的可怜得分。
随着科技行业许多人呼吁需要新的、未饱和的基准来衡量 AI 进展,ARC-AGI-2 应运而生。Hugging Face 的联合创始人 Thomas Wolf 最近告诉 TechCrunch,AI 行业缺乏足够的测试来衡量所谓人工通用智能的关键特征,包括创造力。
与新基准一同发布的还有 Arc Prize 2025 竞赛,挑战开发者在每个任务仅花费 0.42 美元的情况下,在 ARC-AGI-2 测试中达到 85% 的准确率。
好文章,需要你的鼓励
生成式AI在电商领域发展迅速,但真正的客户信任来自可靠的购物体验。数据显示近70%的在线购物者会放弃购物车,主要因为结账缓慢、隐藏费用等问题。AI基础设施工具正在解决这些信任危机,通过实时库存监控、动态结账优化和智能物流配送,帮助商家在售前、售中、售后各环节提升可靠性,最终将一次性买家转化为忠实客户。
泰国SCBX金融集团开发的DoTA-RAG系统通过动态路由和混合检索技术,成功解决了大规模知识库检索中速度与准确性难以兼得的难题。系统将1500万文档的搜索空间缩小92%,响应时间从100秒降至35秒,正确性评分提升96%,为企业级智能问答系统提供了实用的技术方案。
存储供应商Qumulo发布多租户架构Stratus,为每个租户提供独立的虚拟环境,通过加密技术和租户专用密钥管理系统实现隔离。该统一文件和对象存储软件支持本地、边缘、数据中心及AWS、Azure等云环境部署。Stratus采用加密隔离技术确保敏感数据安全,同时提供任务关键操作所需的灵活性和效率,帮助联邦和企业客户满足合规要求。
中科院和字节跳动联合开发了VGR视觉锚定推理系统,突破了传统AI只能粗略"看图"的局限。该系统能在推理过程中主动关注图片关键区域,像人类一样仔细观察细节后再得出结论。实验显示VGR在图表理解等任务上性能大幅提升,同时计算效率更高,代表了多模态AI"可视化推理"的重要进展。