仅改两个设置，OpenAI 模型 ARC-AGI-3 得分翻三倍
机器之心 · wechat · 2026-07-30
OpenAI 近期发布博客，揭示了评测环境对 AI Agent 表现的决定性影响。在 ARC-AGI-3 基准测试的官方通用框架下，GPT-5.6 Sol 得分仅为 13.3%；但换用与 ChatGPT 和 Codex 更接近的运行方式后，得分飙升至 38.3%，提升约 3 倍，且 Token 消耗降低了 6 倍。
OpenAI 指出，原测试框架存在两个严重限制模型长期记忆的机制：
- 推理过程被丢弃：模型每执行一步操作，此前的内部推理过程就会被删除，导致它必须从零开始重新理解当前状态。
- 上下文滚动截断：超出长度限制时直接删除最早的消息，导致模型丢失早期关键行动和观察记忆。
为解决此问题，OpenAI 启用了两个关键 API 设置：
- 保留推理：像 ChatGPT 那样保留内部推理信息作为上下文，使模型能基于过去的理解连贯行动，减少重复思考。
- 上下文压缩：用智能摘要压缩替代粗暴的截断，在限制上下文规模的同时保留重要历史信息。
该实验表明，随着 Agent 执行的任务越来越长、越来越复杂，基准测试不仅是在评估模型本身，更是在评估模型所处的运行环境。
所属事件:优化记忆管理设置，GPT-5.6 在 ARC-AGI-3 跑分翻三倍(27 条相关)→
「编程与Agent」频道最新
- FDE-Gym 基准:顶级 Agent 仅完整解决 95 个真实交付任务中的 14 个 — dair_ai · 2026-10-16
- 六大 Deep Research API 实测横评:能力边界、定价与选型建议 — bar_raiser333 · 2026-10-16
- Geoffrey Huntley 开源自托管 AI 开发平台 Overalls,11 月初纽约发布 — kieranklaassen · 2026-10-16
- 开发者晒 OpenAI 用量：200 天烧掉近 2000 亿 token — Dimillian · 2026-10-16
- 让 Claude 把改动直接开到 nvim 对应行,自己审代码更踏实 — max__drake · 2026-10-16
- x401 协议用 NIST 认证凭证给 AI 智能体做 KYC 身份验证 — csuwildcat · 2026-10-16