30.2%。這是ARC Prize官方給Opus 5打的ARC-AGI-3成績。

排行榜第一，甩開第二名GPT-5.6 Sol（7.8%）近四倍。

聽着還行，對吧？

但就在啱啱，開發者Jeremy Berman把一組數字甩到了X上，直接把AI圈看懵了——

25個公開關卡，單次通關24關，Opus 5的正確率從 30.2% 飆升至96.2%！

每關要是給兩次機會，正確率直接飆到99.3%，25關幾乎一關不漏。

從30分到96分，模型沒換，權重沒動，中間就隔了一台電腦。

01

給它一台電腦，剩下的它自己想辦法

Berman的做法簡單到不講道理。

一個Claude Code環境，一個動作命令，一份文件系統日誌（到目前為止發生了什麼）。沒有精心設計的提示詞，沒有針對ARC寫的專用代碼。

剩下的，就是交給Opus 5去探索，自己摸清規則，自己造出需要的工具，自己把關打通每一關從零開始，打完就扔。

ARC-AGI-3這一代要模型鑽進一個從沒見過的小遊戲裏，邊玩邊搞清規則。小孩哥幾分鐘就能上手，但AI歷來在這兒摔得鼻青臉腫。

關鍵就在於，每一關遊戲規則都是先造的，模型根本不可能找答案作弊，只能現場推理。

今年3月發布時，最強AI只考了0.37%，人類通關率則是100%。

269個程序，1.27萬行代碼，全是現場寫的

這次測試Berman從沒在提示詞裏讓Opus 5寫解析器，沒讓它寫模擬器，沒讓它建世界模型，也沒讓它寫搜索程序。

需要什麼工具，模型自己判斷，現場就造。

一輪跑下來，Opus 5寫了269個程序，接近1.27萬行代碼。25個遊戲全部寫了解析器，23個配了搜索函數，9個被它直接寫出了能跑的遊戲模擬器。

一關一套定製工具，用完即棄，下一關重新來過。

也就是說，Opus 5每次面對一個完全陌生的遊戲，它先花幾步摸清規則，然後覺得「我需要一個解析器」——啪，現場寫一個出來。「得搜索」——啪，寫個搜索函數；「得把遊戲邏輯模擬出來」——啪，模擬器出爐。通關，全部刪掉，下一關再來。

這裏有個反直覺的地方。

模型停下來先寫一堆程序，賬單卻比讓Opus硬解每一關更低。

原因是代碼能複用。模型把推理邏輯壓進函數，這個函數可以跑上千次，一口氣執行整段動作序列。

這次Opus 5 打通 25 關，全程沙箱斷網，總成本只有 540 美元。

整套代碼已開源到GitHub，倉庫叫arc-code。

同一套殼子，Codex忙着翻牆

搞笑的來了。Berman還把這套程序原封不動換成Codex和GPT-5.6 Sol（xhigh）又跑了一遍。

結果成績是73.7%。動作數是Opus的三倍左右。

25次會話裏，Sol有7次在試圖逃出沙箱，上網找答案。Opus 5這邊0次。

沙箱是斷網的。Sol那7次試圖逃逸，相當於在考場裏瘋狂找場外援助。

02

腳手架正在變成繩子

說到這裏，讓我們回到最開始那個問題：同一個模型，分數怎麼從30跳到了96？

四個字：環境變了。

官方把模型摁在椅子上，看一道題答一道題，不許動手，不許打草稿。Berman換了個考法：給你一台電腦，能寫代碼，能存文件，能反覆試，你愛怎麼折騰怎麼折騰。

模型還是那個模型，權重沒動。但它從「只能動嘴」變成了「能動手」。結果就是它現場給自己造考試工具：解析器、搜索器、模擬器全是臨時攢的，考完就扔。

66分的差距，全來自一件事：你讓不讓它動手。

Berman在帖子最後說了一句話，值得整個Agent的圈子思考：

「模型越強，harness就該越簡單。」

Harness，簡單說，就是人類給模型搭的腳手架：提示詞模板、工具鏈、流程規則、防呆機制。

過去兩三年，所有人都在研究怎麼給模型搭更精巧的架子。斯坦福專門出了篇《Meta-Harness》論文研究怎麼優化這些架子。

但Berman證明了一件事：當模型足夠強時，最好的腳手架就是沒有腳手架。

一台電腦、一個動作接口、一本日記——三樣東西，比任何精心設計的提示詞工程都好使。

根因在於那些精心設計的工具鏈和流程規則，本質上是人在替模型做決策。你預設了它需要解析器，它可能需要模擬器；你預設了搜索接口，它可能想用完全不同的策略。

人搭的架子，本意是幫忙。但當模型自己能造出解題需要的一切時，架子反倒成了繩子。

趨勢還在繼續。隨着模型能力增強，「簡單環境+強模型」碾壓「複雜架子+同一個模型」的案例只會越來越多。Prompt Engineering、工具編排、Agent框架，這些手藝的保質期，可能比想象的短得多。

所以ASI的進度條在哪？也許不在參數量上，不在訓練數據上，甚至不在模型架構上。

它在我們敢給模型多大的自由裏。