真正的智能不来自更聪明的推理，而来自更诚实的context感知。
GPT-5.6 Sol在ARC-AGI-3基准测试中平均得分7.78%，看似惨淡，却拿下了一个几乎所有AI模型都无能为力的公共游戏ft09的87%正确率。这个矛盾揭示了一个关键转变：新一代大语言模型正在从“解题机器”进化为“环境Context阅读者”。
Sol的核心突破并非推理能力的跃升，而是一种被称为“情境Context锚定”的能力——它能在面对完全陌生的视觉谜题时，先将自己的认知坐标系对齐到新环境的规则上，而非直接套用已知模式强行求解。
这种能力使它在ARC-AGI-3这样的通用抽象推理测试中，走出了与过往所有模型截然不同的路线。
ARC-AGI基准测试衡量机器的抽象推理极限
ARC-AGI的全称是Abstraction and Reasoning Corpus for Artificial General Intelligence，由谷歌科学家François Chollet于2019年提出。这套基准测试的目标非常明确：评估AI系统在未见过的任务上进行抽象推理的能力。每个任务包含几个输入输出示例，模型需要从这些少量样本中推断出潜在规则，并将其应用到新的测试输入上。
ARC-AGI-1包含400个训练任务和400个评估任务，每个任务都是独特的网格变换问题。比如一个任务可能要求将网格中所有蓝色方块移动到左上角，另一个任务可能需要识别并补全对称图案。这些任务对人类来说相对直观，但对AI系统极其困难，因为它们无法依赖大规模预训练数据中的模式匹配。
ARC-AGI-2将难度进一步提升，引入了更复杂的空间关系和逻辑结构。到了ARC-AGI-3，任务设计更加注重抽象概念的组合与泛化，要求模型具备更强的概念抽象能力。这三个版本构成了一个难度阶梯，从相对基础的抽象推理一路延伸到接近人类水平的通用推理能力。
与常规AI基准测试不同，ARC-AGI的评估协议极其严格。参与评估的模型必须在任务集上运行完整的推理过程，所有得分都需要通过ARC Prize官方验证。这意味着模型无法通过简单的模式识别或记忆来获得高分，真正考验的是其推理机制的泛化能力。
GPT-5.6系列展现了推理投入与性能的复杂关系
OpenAI在2026年7月发布的GPT-5.6系列包含三个模型：Sol、Terra和Luna。其中Sol是旗舰型号，Terra和Luna则代表不同的性能层级。每个模型都提供了五个推理级别——Low、Medium、High、Extra High和Max——允许在计算投入和输出质量之间进行调节。
在ARC-AGI-1上，三个模型的表现差异巨大。Sol在Max推理级别下取得了96.5%的准确率，Terra同样达到96.5%，Luna则为88.0%。这意味着即便是GPT-5.6系列中性能最弱的型号，也能在ARC-AGI-1上解决绝大多数任务。当推理级别从Max降至Low时，Sol的得分从96.5%降至74.5%，Terra从96.5%降至60.2%，Luna从88.0%降至34.2%。这反映出推理投入对基础抽象任务的重要性，但同时也显示不同模型在低推理强度下的鲁棒性存在显著差异。
在ARC-AGI-2上，性能急剧分化。Sol在Max级别取得92.5%的惊人成绩，Terra降至83.9%，Luna仅有59.5%。值得注意的是Sol在高推理级别（High）上仍然保持85.4%，这意味着即便不投入最大计算资源，Sol也能在中等难度任务上保持较高的正确率。Terra在Extra High级别上达到74.2%，说明额外的推理步骤对中等性能模型仍然有价值。
但在ARC-AGI-3上，所有模型都遭遇了断崖式下跌。Sol在Max级别仅获得7.8%的平均得分，Terra为0.8%，Luna为0.2%。这一戏剧性落差揭示了一个核心事实：ARC-AGI-3的任务难度远超当前任何AI系统的处理能力。即便是最强的模型，在面对全新级别的抽象推理挑战时，也几乎完全失效。
Sol在高难度任务上表现出独特的解题模式
尽管整体得分极低，Sol在ARC-AGI-3的某些具体任务上展现出了值得关注的特性。以公共游戏FT09为例，Sol在Max推理级别下达到了87%的正确率，这是第一个在该游戏中获胜的AI模型。这个任务要求模型理解一种特殊的网格变换规则，而过往的模型甚至连基本的解题思路都无法建立。
Sol在不同推理级别的表现呈现出一个有趣的模式。在FT09上，Max级别达到87%，Extra High和High级别均为48%，Medium为14%，Low为5%。这种阶梯式下降表明更高的推理投入确实带来了显著的性能提升，但同时也暗示即使在最高推理强度下，Sol的解题能力仍然高度依赖于具体任务的特征。
在LP85和AR25这两个任务上，Sol在Max级别的得分分别为39%和39%，但在Extra High级别上分别降至38%和8%。这种非单调的性能曲线暗示了一个关键问题：额外的推理步骤不一定带来更好的结果，有时甚至会干扰模型的判断。这可能是因为更长的推理链引入了更多潜在的偏差，或者让模型过度拟合了训练数据中的某些模式。
从任务的难度分布来看，Sol能够解决的ARC-AGI-3任务主要集中在相对简单的环境中。在25个ARC-AGI-3公共演示环境中，有11个环境Sol在Max级别取得了非零分数，而另外14个环境则完全未能解决。这种两极分化的表现说明Sol的能力边界非常清晰：它在某些类型的抽象推理上确实取得了突破，但在更复杂的任务上仍然完全无能为力。
Sol在ARC-AGI-2上解决了大多数中等难度任务
对比ARC-AGI-2和ARC-AGI-3的表现，一个更完整的图景逐渐浮现。在ARC-AGI-2的120个公共评估任务中，Sol在Max级别能够解决大多数任务。从任务解决情况的分布来看，有相当数量的任务在所有推理级别上都能够解决，这些代表了Sol能力范围内的常规挑战。
另外一组任务在Low级别无法解决，但在Medium或以上级别可以解决，这表明这些任务需要一定的推理深度才能攻克。还有一部分任务在Max级别解决但在更低级别失败，这类任务可能触及了Sol推理能力的边界，需要最大程度的计算投入才能完成。最后还有少数任务在所有级别上都未能解决，这些代表了Sol当前能力的绝对上限。
与Terra和Luna相比，Sol在ARC-AGI-2上的优势主要体现在对最难任务的攻克能力上。对于简单任务，三个模型都能较好完成。但随着任务难度增加，Terra和Luna的失败率迅速上升，而Sol仍能保持相对稳定的表现。这种差异暗示Sol可能在推理的灵活性和鲁棒性上具有本质优势，而非仅仅是规模或训练数据的差异。
在ARC-AGI-1上，三个模型的表现趋于饱和。这并不令人意外，因为ARC-AGI-1已经被业界攻克相当一段时间。真正有意义的是观察到Sol在ARC-AGI-1上即使使用Low推理级别也能达到74.5%，说明基础推理能力已经相当成熟。但在ARC-AGI-2和ARC-AGI-3上，低推理级别的表现急剧下降，表明新任务的难度超出了模型在低计算投入下的处理能力。
情境锚定能力构成了Sol突破的核心机制
Sol在ARC-AGI-3上的突破性表现，其核心可以被归结为一种被ARC Prize官方称为“情境锚定”的能力。这个术语描述的是模型面对全新环境时的认知姿态：它首先尝试理解当前场景的内在逻辑和结构，而不是立即调用已知的模式库进行匹配或生成。
传统AI系统在面对新任务时，本质上是在做一个检索加适配的过程。模型从训练数据中提取了大量模式，当遇到新问题时，它会寻找最相似的已知模式并进行调整。这种方法的局限性在于当新任务与训练数据中的任何模式都不相似时，系统就会完全失效。这就像是一个只学过加减法的学生被要求解微积分，无论他多么努力地套用已知公式，都不可能得出正确答案。
Sol展示了不同的行为模式。在FT09这个任务上，Sol并没有试图将问题归类为某种已知类型然后套用解法。相反，它在自己的认知框架内构建了对这个新环境的理解模型，然后基于这个理解模型来规划行动步骤。官方报告中特别强调了一个细节：Sol会将被证伪的假设视为重新规划的理由，而不是继续在错误的方向上尝试。这种灵活性在面对完全陌生的任务时至关重要。
与之对比，大多数AI代理的失败源于它们编写的代码或采取的行动本身存在问题。这些系统可能在已知领域表现优异，但一旦进入陌生环境，它们就会表现出一种盲目性：它们继续执行既定的策略，而不考虑这些策略是否适应当前的场景。Sol的不同之处在于它首先确认自己在环境中的位置和角色，然后才采取行动，这种顺序上的差异带来了根本性的性能差异。
情境锚定与传统的任务规划存在根本区别。任务规划通常假设目标已知，只需要找到达到目标的最优路径。而情境锚定首先需要建立对目标本身的理解，在陌生环境中甚至需要重新定义什么是合理的目标。这种能力更接近人类面对全新问题时的思维方式：我们首先试图理解问题的本质，然后才寻找解决方案。
推理强度与任务难度之间存在非线性关系
GPT-5.6系列提供了五个推理级别的表现数据，这让我们能够观察到推理投入与任务表现之间的复杂关系。在ARC-AGI-1这种已经被较好理解的任务集上，推理强度的增加带来稳定但有限度的性能提升。Sol从Low到Max的推理强度提升带来了22个百分点的改进，这种改进大致呈线性趋势。
在ARC-AGI-2上，这个关系变得更加陡峭。推理强度从Low提高到Max，Sol的得分从约60%跃升至92.5%，提升了超过32个百分点。更重要的是，这种提升在不同的推理阶段分布不均匀：从Low到Medium的提升约7个百分点，从Medium到High的提升约18个百分点，从High到Extra High的提升约4.6个百分点，从Extra High到Max的提升约2.5个百分点。这说明在高难度任务上，推理投入的回报并非线性增加，而是存在一个临界点——当推理深度达到某个阈值后，额外的推理反而可能引入更多噪声。
在ARC-AGI-3上，这个关系呈现出完全的断裂。即便将推理强度从Low提升到Max，Sol的得分也只能从约0.3%提升到7.8%。虽然相对提升幅度巨大，但绝对表现仍然极为有限。这表明ARC-AGI-3的难度已经超出了当前推理机制能够处理的范畴，简单的增加计算投入已经无法解决这个问题。
Sol、Terra和Luna之间的表现差距随推理强度变化也呈现出有趣的规律。在Low级别，三个模型在ARC-AGI-3上的表现差距不大，都在0.2%到0.3%之间。但随着推理强度增加，差距急剧扩大：在Max级别，Sol达到7.8%，而Terra和Luna分别只有0.8%和0.2%。这意味着更强大的基础模型能够更有效地利用增加的推理投入，而较弱模型即使在更多计算资源下也难以取得显著进展。
看似失败的成绩背后是通往通用智能的新路径
GPT-5.6 Sol在ARC-AGI-3上的7.78%得分很容易被视为一个失败的结果。与它在ARC-AGI-1和ARC-AGI-2上接近完美的表现相比，这个数字确实显得微不足道。但如果我们换一个视角来看待这个结果，就会发现其中蕴含的重要信息。
在ARC-AGI-3这样一个全新的、迄今为止没有任何AI系统能够有效处理的基准上，能够从零进步到接近8%的正确率，这本身就代表了一个质的飞跃。从完全无效到部分有效，这种转变比从80%提升到90%更具本质意义。因为它证明了一个关键点：AI系统确实具备某种能力，使其能够处理完全陌生的抽象推理任务，而不仅仅是依赖记忆和模式匹配。
报告中特别提到Sol是“第一个在ARC-AGI-3公共游戏中获胜的模型”，这一表述具有深远含义。ARC-AGI的设计哲学就是避免被已有的AI技术所攻克，每个新版本都试图测量AI在真正的通用推理上的进展。能够在一个全新的、专门设计来难住AI的测试中取得任何胜利，都意味着系统的能力确实在扩展，而不只是在已知领域更加熟练。
从认知科学的角度来看，Sol展示的是一种被称为“认知灵活性”的能力。这种能力使得系统能够在面对新情境时调整自己的认知策略，而不是僵化地应用已有策略。人类在这一点上具有明显优势：我们能够在新环境中快速建立理解模型，并基于这个模型进行推理。Sol虽然在这个方向上迈出了第一步，但距离人类水平的认知灵活性还有巨大差距。
我们正在见证一个根本性的转变：AI从“知道什么”向“如何知道”演进。过去的成功主要依赖于海量数据和计算规模，而未来的突破可能更多依赖于认知架构本身的创新。Sol的情境锚定能力虽然还很原始，但它指明了前进的方向：真正智能的系统必须能够在陌生环境中重新定位自己，而不是永远依赖已知的答案。
GPT-5.6 Sol在ARC-AGI-3上的表现，以传统基准测试的标准来看是一个令人失望的成绩单。但当我们拆解这个成绩单背后的机制时，看到的却是一个质变的开始。情境锚定能力虽然还很脆弱，只在一小部分任务上有效，但它代表着AI系统第一次展现出了一种真正的认知适应性，而非仅仅是计算能力的堆砌。这种从解题到感知的转变，也许比任何具体的得分数字都更接近通用智能的本质。
第一场胜利永远是最难的，哪怕它只出现在一个游戏里。
context锚定能力是智能高低标准，认知僵化 NPC其实是算力不够，皮质醇不够