ARC-AGI
TrialNền tảng
Bộ benchmark dùng để đánh giá trí tuệ tổng quát và khả năng thích ứng giải quyết vấn đề của AI.
Vì sao ở đây
Xếp vào Trial: 10 bài bằng chứng từ 6 nguồn, chủ yếu là tin nghiên cứu, 1 bài trong 30 ngày qua. Độ tin cậy 86%.
Bằng chứng (10)
- 7Hacker News·9/9/2026researchGPT-6 Astra, Transformer lặp và suy luận ẩn
Bài viết tổng hợp ấn tượng ban đầu về GPT-6 Astra của OpenAI, mô tả đây là một mô hình rất mạnh, đặc biệt nổi bật ở toán, lập trình và các tác vụ 3D/rendering. Tác giả sau đó phân tích transformer dạng lặp hay hồi quy và bàn về việc liệu chúng có liên quan đến chuỗi suy luận ẩn hay không, đồng thời điểm qua các nghiên cứu gần đây liên quan.
- 8OpenAI Blog·3/9/2026model_releaseOpenAI triển khai GPT-6 Astra
OpenAI đang triển khai GPT-6 Astra cho một nhóm tổ chức hạn chế, trước khi mở rộng tới người dùng ChatGPT Plus, Pro, Business, Enterprise, API và AWS trong những ngày tới. Mô hình có mức giá 10 USD cho mỗi triệu token đầu vào và 50 USD cho mỗi triệu token đầu ra, đồng thời được cho là đạt kết quả cao trên nhiều benchmark, đặc biệt ở các bài toán ngữ cảnh dài và bảo mật.
- 9The New Stack·3/9/2026researchGPT-6 Astra dẫn đầu các bài kiểm tra ARC-AGI-3
GPT-6 Astra của OpenAI đạt kết quả dẫn đầu trên ARC-AGI-3, với 62,7% khi dùng Standard harness và 99,9% khi dùng Provider Adapter harness. Bài kiểm tra này đánh giá năng lực tác nhân trong các môi trường mới lạ theo lượt, đồng thời Astra cũng cho thấy hiệu quả hành động vượt trội so với người thử nghiệm.
- 9InfoQ·3/9/2026model_releaseOpenAI công bố system card cho GPT-6 Astra
OpenAI đã công bố system card cho GPT-6 Astra, nêu các cân nhắc về an toàn, năng lực và triển khai của mô hình. Thảo luận trên Hacker News cũng nhắc đến các cải thiện được ghi nhận trên ARC-AGI-3 và Artificial Analysis Coding Agent Index, cho thấy mức độ quan tâm lớn đến hiệu năng và hồ sơ an toàn của mô hình.
- 5Martin Fowler·1/9/2026researchTổng hợp về văn phong AI, tác tử dài hạn và CI khi có tác tử
Martin Fowler giới thiệu một công cụ phát hiện các mẫu văn phong phổ biến của LLM và dẫn các nghiên cứu cho thấy con người khó phân biệt văn bản do AI tạo ra với văn bản do người viết. Ông cũng đề cập nghiên cứu tác tử dài hạn của NVIDIA dựa trên AVO và lập luận của Paul Stack rằng phát triển bằng tác tử đang làm thay đổi vị trí cần thực hiện bước kiểm tra trong quy trình CI.
- 8Hacker News·1/9/2026researchTransformer nhỏ được huấn luyện trong 1,5 giờ vượt nhiều LLM trên ARC
Tác giả cho biết đã huấn luyện một transformer nhỏ từ đầu trong khoảng 1,5 giờ trên GPU 5090 và khẳng định mô hình này đạt hoặc vượt một số mô hình lớn hơn trên các bài đánh giá kiểu ARC. Cách tiếp cận mới bổ sung các thay đổi về kiến trúc và huấn luyện như SwiGLU, RMSNorm, giảm số phép tăng cường dữ liệu, và dùng các bài toán không trùng lặp từ ARC-2 đồng thời lọc trùng để tránh rò rỉ dữ liệu.
- 8The New Stack·21/8/2026researchNvidia cho biết AVO nâng Claude Opus 5 từ 30,2% lên 100% trên ARC-AGI-3
Nvidia đã công bố chi tiết cách hệ thống Agentic Variation Operators (AVO) duy trì khả năng làm việc tự động trong thời gian dài và áp dụng nó lên benchmark ARC-AGI-3. Công ty cho biết AVO đã đưa Claude Opus 5 từ mức nền 30,2% lên 100% trên bộ công khai ARC-AGI-3, qua đó cho thấy thiết kế hệ thống tác tử có thể quan trọng không kém năng lực của mô hình.
- 8Hacker News·7/8/2026researchDeepSeek V4 Flash 0731 đạt kết quả cao trên các bài kiểm tra ARC-AGI
DeepSeek công bố V4 Flash 0731 với ba biến thể suy luận và đăng kết quả kiểm thử trên ARC-AGI-1 và ARC-AGI-2. Ở mức tối đa, mô hình được cho là đạt 89,0% trên ARC-AGI-1 và 61,4% trên ARC-AGI-2, với chi phí thấp cho mỗi tác vụ. Bài đăng kèm bảng kết quả từng nhiệm vụ và liên kết tới bài báo cùng trang mô hình.
- 7OpenAI Blog·29/7/2026researchHai thiết lập giúp điểm số GPT-5.6 trên ARC-AGI-3 tăng gấp ba
OpenAI cho biết hai thiết lập API đã cải thiện đáng kể hiệu năng của GPT-5.6 trên chuẩn ARC-AGI-3 bằng cách giữ lại trạng thái suy luận và bật cơ chế nén ngữ cảnh. Thay đổi này giúp tăng điểm số và hiệu suất, cho thấy cấu hình ở giai đoạn suy luận có thể ảnh hưởng mạnh đến kết quả benchmark.
- 6Hacker News·25/7/2026researchBảng xếp hạng ARC-AGI theo dõi hiệu quả suy luận của AI
Bảng xếp hạng ARC-AGI so sánh các hệ thống AI trên ARC-AGI-1, ARC-AGI-2 và ARC-AGI-3, đồng thời nhấn mạnh mối quan hệ giữa hiệu năng và chi phí cho mỗi tác vụ. Nội dung cũng cho thấy cách các hệ thống suy luận, LLM cơ bản và bài nộp từ Kaggle hoạt động dưới các ràng buộc tính toán khác nhau.