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
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。