ARC-AGI-3 实测：Claude Opus 凭持久状态记录碾压 GPT-5.6

otarU · reddit · 2026-08-01

一位开发者在 ARC-AGI-3 谜题中对比了 Claude Opus 5 High（得分 98.81%）与 GPT-5.6 Sol Max（得分 21.42%）的实际运行回放。由于测试框架只保留每轮对话的可见输出并丢弃隐藏的思考过程，模型如何利用可见输出维持记忆成为关键。

核心差异分析：

成绩对比：Opus 完成了全部 7/7 关卡，而 Sol 在第 4 关卡壳，仅完成 3/7。
状态追踪：Opus 在可见输出中保持了极其详细的“上下文笔记”，持续追踪坐标、假设和多步计划；而 Sol 的输出非常简短（中位数仅约 24 词，Opus 约 283 词），缺乏长效记忆，导致在第 4 关反复重置（8次）并陷入理解死循环。
Token 消耗：尽管 Sol 的可见输出仅有 8,300 词（Opus 约 116,000 词），但其底层消耗了 228 万输出 Token（其中 226 万为推理 Token），Opus 则消耗 196 万 Token 且无单独计费的推理 Token。

结论指出：在长周期任务中，Opus 通过在可见输出中冗余地记录状态、假设和规划，成功克服了长程决策的遗忘问题；而 Sol 虽然单步响应更简练，却因缺乏持久状态表示而陷入死循环。

「模型」频道最新