手工精选 40 款游戏做 Agent 基准，作者称其为 ARC-AGI-3.5
scaling01 · x · 2026-10-19
独立研究者 FakePsyho 宣布即将完成一个基于 puzzlescript 的 agent 能力基准，自称可视为 "ARC-AGI-3.5" 乃至 "ARC-AGI-4"，目标是可靠评估 agent 在游戏环境中的抽象推理能力。
要点：
- 作者从 300 多款游戏中手工挑选出 40 款最有代表性且多样的游戏，修了大量 bug，并迭代多轮 prompt 设计
- 多数游戏可在约 1 小时内通关，部分难度显著更高
- 模型用标准 harness（codex / claude code）测试，不允许生成代码；动作上限很宽松
- 作者坦言基准已有些饱和，但模型在动作效率上依然非常低
- 游戏集不会公开，但可能分享部分被淘汰游戏的运行记录
「编程与Agent」频道最新
- DeepSeek V4.1 Flash 1017 调试探基准跑分出炉：三框架最高修42.7个bug — PawelHuryn · 2026-10-19
- Claude 写了 90% 代码，回滚率反降 40%：Claude Code 团队披露审查法 — PrajwalTomar_ · 2026-10-19
- ESP32 接 Claude Code 实操教程：固件、服务端与 MCP 全流程 — alexcovo_eth · 2026-10-19
- 4 个 Gemini 4 Argon 智能体协作 27 小时击败 Minecraft 末影龙 — robertarail · 2026-10-19
- 检测激活读取的探针须防数值漂移:同 prompt 下数值不得变 — brandon_xyzw · 2026-10-19
- OpenCode 2.0 发布：开源编码 Agent 迎来大版本更新 — RelevantEmergency707 · 2026-10-19