Mike Knoop
评估至关重要，但其科学体系仍处于起步阶段。
如果你想知道前沿实验室所说的“RSI”（递归自我改进）将在未来 12 个月内到来是指什么，答案如下：
- 实验室将 RSI 定义为模型让模型变得更好
- 实验代码编写已实现 100% 自动化
- 实验执行已实现 95% 自动化
- 实验构思已实现 20% 自动化
最后一点是目前的瓶颈。正如我们在几乎所有可定义的基准测试中所看到的——如果我们能达到 20%，就能达到 100%。
目前衡量实验构思的方法是基于固定点的合成评估：“AI 需要尝试多少次才能复现已知事物？”
这并不是捕捉 RSI 真谛的好方法。我认为 RSI 的本质在于“开放性”——即提出从未有人问过的正确问题。目前还没有人将其形式化，更不用说转化为评估标准了（我们正尝试通过 ARC-AGI 来实现这一点！）。
目前的 RSI 范式可以被理解为：试图在特定领域内找到一种自我改进的“配方”。
但假设我们在未来 12 个月内找到了它，在泛化能力或开放性取得更多突破之前，我们（AI + 人类）仍需持续协作，将这种“配方”横向扩展到其他数据领域。
Argon 是第二个通过 provider adapter 正式且有效地刷满 ARC-AGI-3 的模型系列。GDM 的表现令人惊叹！同样值得注意的是，我们在动作效率上看到了同样的“倒退弯曲”现象。
品味在于提出有趣的问题。
盘点一下现状。2026年，AI将带来重大变革：
- 程序员不再阅读代码
- 数学家解决困扰数十年的难题
- 玩家可将任何游戏移植、重混至任意平台
- 用户可以反编译并重新实现任何应用
而加密货币正显得愈发脆弱。变革孕育机遇，现在是成为建设者的最佳时机。
下一代游戏机都要变成云端串流了吧，不是吗？
ARC-AGI-3 也在出现同样的情况。
若想让自主 AI 智能体发现、选择并使用你的产品或 API：
1. 进入预训练阶段（建立认知/品牌营销），包括传统的 SEO
2. 发布评估分数（竞争性/对比基准测试）
3. 进入后训练阶段（强化特定技能）
我觉得大家有时会忽略，在数学领域飞速发展的背景下，ARC 2 的难度其实远超 ARC 1。最终公开的解法将是极具研究价值的研究素材。
Kaggle 的大奖奖励阈值（85%）刚刚达标！今年将是 ARC-AGI-2 在 Kaggle 的最后一年，我很激动能以“绝唱”之姿，收获一个优秀的开源、低成本且可离线复现的方案与模型。
人类现在已掌握了一套清晰的路径，利用 AI 实现概念搜索、转化与验证的自动化，从而驱动科学进步。
历代科学家都面临同样的瓶颈：人类吸收、转化和检索既有知识的能力是有限的。
AI 现在可以告诉我们，一个重要的开放性问题究竟需要全新的构思，还是答案就潜藏在已知知识之中。
我认为，这是自 6000 年前文字发明以来，科学哲学领域最重大的变革。
来自 @industriaalist 的一项很酷的研究。它与我最喜欢的论文之一（@guyvdb，https://arxiv.org/abs/2205.11502）相关，该论文表明 Transformer 可以表示许多反向传播永远无法找到的正确程序。以下是一种基于非反向传播的新型搜索机制：
https://t.co/hx4tHtIKWe
这次验证意义重大，因为约 27B 参数的模型已接近 ARC Prize Kaggle 官方竞赛运行时间限制所能承载的极限规模。
不可检验的理论确实具有启发价值。当然，用外星人来教孩子科学是个好办法。但这并不免除我们的责任去认清德雷克方程的本质——它不过是披着准科学外衣的纯粹推测……门缝被撬开了，合法科学程序的定义开始松动。很快，有害的垃圾便从裂缝中钻了进来。
将智能体构建在确定性工作流之上并融入其中，是部署 AI 的最优方式。
随手分享。自从第一代 AirPods 之后，就再也没戴稳过苹果的耳机。从第3到5代设计都变了，连 Pro 系列也不行（试过各种尺寸、海绵套等都没用）。最后终于靠带耳翼的 Powerbeats Fit 解决了！而且 Beats 是苹果旗下的，有 H1 芯片支持快速配对，体验极佳。
业内目前尚无人能阐明跨越这一鸿沟（创造力与推理）的科学路径。
深有同感，我认为开放式发明也与此紧密相关。目前还没有正式的衡量标准——更不用说基准测试了；而我认为，若要推动前沿 AI 超越“自动化”阶段，建立这些标准至关重要。
哇，我们距离 2024 年 6 月设定的 85% 大奖门槛仅差 2%！而且这还是针对 ARC v2 的，一个难度大得多的推理挑战，需要在 Kaggle 严格的算力限制和无网络环境下运行。非常期待将其开源！
IFTTT 是吃了苦头才明白的。
形式化验证对安全性至关重要，且正逐渐变得可行！但它并不能自动建立人类的理解（在我看来，这其实是一个更大的对齐问题）。
数学知识是完全公开的，极少有领域能做到这一点。相比之下，编程及大多数其他领域的核心知识往往是私有的，并被组织所垄断。在数学面前，不存在抵御人工智能的护城河。
我忘了 logprobs 以前在 LLM 推理 API 中是普遍开放的！大模型正进入市场成熟期，现在可以从技术栈中切分出有趣的部分，并以更有用的新方式进行封装。
程序员们尚未意识到，人类正再次向更高层的抽象迈进。虽然仍有人编写汇编语言，但这已是例外。这一次的重大变革在于：理解软件的方式正从“阅读代码（演绎法）”转向“观察行为（归纳/溯因法）”。
AI的发展趋势是将代码视为黑盒。
几年前我曾问过，AI 版的 underscore.js 会是什么样。现在的这些想法感觉已经近在咫尺了。讽刺的是，就在我们即将迎来这些酷炫的编程原语时，我基本上已经不再读写代码了……
我知道脑类器官研究，但这个……简直是另一个层级的。
对这一观点的浅显解读便是：“交付优质智能产品的成本正随规模扩大而上升。”
关于 RSI（递归自我改进）与智能极限的思考——
下图表明，智能并非某种无上限的标量指标。在任何给定情境下都存在一个最优决策，而你不可能比“最优”更聪明。因此，智能可以衡量为你的决策质量与最优水平的比率（基于所有可能的决策），其上限为 100%。目前，Astra 在 ARC v3 速通测试中已达到 80% 的最优水平。
近期 RSI 最可能发挥实质作用的领域包括：
1. 横向数据获取。模型的泛化能力受限于权重中的知识量。RSI 可以实现数据的自动化生成或采集，从而让模型以越来越快的速度填补知识空白。
2. 效率与成本。我们距离最优水平还很远，这非常适合开展“自动研究”（autoresearch）。而更廉价的模型意味着可以进行更大规模的自动研究。
AI推理模型（及智能体集群）现已可用于概念搜索。这是创新的强大工具，因为它能让我们通过实证排除“是否研究得不够深入”的疑虑，从而转向开发新的前置构思。
还没完。我现在看到了实现实用且有趣的、专注于开放式发明的 ARC-AGI-4 的路径。
这是区分“强大的零和自动化机器”与“造福人类的自主正和创新者”的分水岭。
我认为，“协同减速”旨在确立一套准则，用以限制或禁止开源进展及 AI 能力研究。
具体而言，我认为“协同减速”的论调会被主张在全球范围内平等地适用于所有人，即便你目前并非顶尖实验室。事实上，这种论调已经初见端倪。
我们通常认为 AI 研究是由各顶尖实验室推动的。但想想“思维链”（CoT）这一核心发明，它早于 q*、strawberry、o1、o3 以及各种推理模型和强大的编程智能体，而这一切都源自一篇开源科学论文。
Transformer 的情况亦然，它是在至少三个其他组织的开源科学贡献基础上才得以实现的。
我们必须保持研究前沿的开放，以增加人类实现“正和未来”的可能性——让 AI 创造的神奇发明能在我们有生之年造福人类，而不是让技术陷入局部
P = NP + 人工智能
“AGI时刻”是个人的体验：当你意识到自己的未来将与过去截然不同时，那一刻便已到来。
苹果发布了传闻十多年的折叠屏 iPhone，但这远非本周最大的新闻。这足以说明 AI 的进步有多么惊人。
有趣的是，解决纳维-斯托克斯方程所需的智能水平，竟然与攻克（极其简单的！）ARC v3 游戏相当。
“确实，我们尝试这样做是因为网上有传闻。”
这是从NS结果中可以得出的一个普遍启示：AI现在的速度和能力已经强大到，仅仅凭“某个想法可行”的传闻，就足以驱动人们去攻克难题。
太强了！OpenAI 表示其峰值并发智能体数量达到了 10,000 个。目前，测试时自适应/计算已展现出三个明确的维度：
1. 线性 Token 空间推理
2. 并行 Token 空间（多智能体）
3. 潜空间推理
Astra 在 ARC v3 测试中的新图表：
在较低的推理级别下，Astra 的单次动作往往不产生任何推理 token。这种情况前所未见。令人惊讶的是，Astra 的低配置版准确率是 Sol 最高版本的两倍。
这表明 Astra 正在利用第二个测试时自适应缩放维度，推测是潜空间推理。
图表详情：
- 典型的 v3 游戏约有 300 次操作
- Y 轴表示使用推理 token 的占比（数量 > 0）
- 数据源自我们的直接模型测试，而非供应商适配器
能亲自参与 Astra 五项核心基准测试中的两项，非常有成就感。 https://twitter.com/mikeknoop/status/2095607561873686914
AutomationBench（由 @Zapier 提供）是 OpenAI 展示 Astra 工作流自动化能力的核心基准——成功率为 44%，单任务成本为 2.45 美元。
GPT-6 Astra 刷新了 ARC-AGI-3 的 SOTA。
这是迈向 AGI 的一次质的飞跃，其进步速度确实令人惊讶。即便如此，我们目前仍缺乏将其称为 AGI 的证据。
虽然我们仍在研究模型与人类能力之间的差距，但我们认为“开放式发明”仍是一个未解难题，这将构成 ARC-AGI-4 的新基准。
提醒一下：ARC v3 测试的是模型能否高效理解陌生环境，并能在其中自主实现目标。
总结：配置得当的 Astra 现在可以做到这一点。
Astra 直连模型在每局约 500 美元的成本下得分 66%，远高于 Sol 的 8%。这与我们迄今为止验证的所有其他 ARC v3 分数具有直接可比性。该分数最能体现基础 Astra 的通用智能水平。
通过使用 OpenAI 特有的适配器（已开源），我们在每
AI推理能力历经约16个月，才在编程智能体这一形式上找到了PMF。
预期：AI终结者
现实：AI白蚁
符号回归中经常会出现这种狭隘的情况：发现带有数十个系数、能完美拟合数据的方程。它们很容易被“计算机验证”，但几乎没有任何影响力，因为你无法对这种复杂性进行抽象并在此基础上进一步构建。
今天这儿到处都在讨论 AI 新点子，这种氛围真棒。
大家显然也想让 ARC v4 难倒 harness。行吧！
很期待今秋在波士顿汇聚ARC生态系统的各位领袖！
有一系列极具价值的前沿 AI 评测方法仅能存在于顶尖实验室内部，因为它们控制的是预训练和后训练数据，而非任务本身。
ARC v3 发布时，我曾预测我们会先看到测试框架（harness）设计的快速进步，随后是模型层面的进展——就像在 AI 推理领域看到的那样，最有效且通用的测试模式会被直接训练进模型中。
这一预测目前看来基本准确。社区排行榜上的许多测试框架在公开集上已达到 90% 以上的成绩。
成功的关键在于：指导并使模型能够进行即时世界建模（on-the-fly world modeling）和策略延续。
在模拟这一能力方面表现出色的 Opus 5，在半私有集上达到了约 30% 的成绩。
我们之所以规定不在私有数据集上验证社区测试框架，是因为这很容易导致（即使是出于好意）针对性过拟合，从而削弱基准测试的真实信号。
人们想知道的是前沿 AI 是否真的变得更聪明了。
我们发现，提高这种信号强度（而非通过测试框架进行针对性优化或偶然进步）的最佳方法是：仅验证那些能够经受住大规模商业化使用压力的 AI 系统。
我们在测试框架创新方面看到的整体进展和新思路非常出色，很高兴 ARC 能推动这一切在公开透明的环境下展开！
好观点
这是一次引人入胜（或许仅此一次）的窥探，带你了解前沿大模型加密推理轨迹内部究竟是什么：https://stolen-thoughts.com/
这在成本上超越了开源软件的优势。核心结论是，前沿AI实验室拥有：(1) 充足的利润空间；(2) 在帕累托前沿随心所欲权衡的能力；(3) 明确的竞争意愿。
未来18个月前沿AI的发展趋势：
如果能通过验证器产生足够的训练数据和推理轨迹，“AI推理训练+约束框架循环”是行之有效的，这已在代码和数学领域得到验证。
由于单纯依靠数据和规模无法让神经网络底层自发产生通用性，前沿实验室正寻求将此模式横向扩展到更多领域。
但手动执行这种训练循环既昂贵又缓慢，因此“RSI”概念应运而生。实验室希望实现这一已被证明有效的训练循环自动化。方法是：利用编程智能体构建世界模型
AI 科学领域的重大利好
世界建模即符号建模。这与在自定义评估框架中解决 ARC v3 问题的思路本质相同。
ARC v2 的这种表现水平与实用的编程智能体正相关。K3 可能是目前最强的开源权重编程智能体模型。
随着 AI 沙箱变得愈发坚固，可能会出现通过“说服”手段尝试逃脱的情况。AI 能说服你放它出来吗？
很期待开始填补这张图表的左半部分，尤其是通过开放权重模型。
评估是AI系统寻求真理的伟大（且唯一）的机制。@CyrilGorlla 的这项分析非常出色，为开源AI提供了支持。
HF/OAI 事件的一个安全启示：由于此前利大于弊，部署 LRM 的人往往安全防护较弱（参见 @simonw 的“致命三要素”），但现在的 LRM 已经足够强大，足以让这种疏忽付出代价。AI 应用入口的扩张会因此放缓吗？
顺便提一下，如果你不确定我所说的“即时世界建模”是什么意思，这里有一个 Opus 5 在对话上下文中发现并维持的“模型”示例：
> **模型（已定型——无需重新推导）：** `4`=墙，`5`=地板，`13`=身体/目标，`0`=鼻子，底行 `1` = 已使用的动作。3×3 方格迷宫；**动作1 = 前进一格**；以自我为中心的视角，**前进 = 向上**，身体始终位于第 31-33 列；**动作3/4 = 左/右转**；**动作5 = 射击 = 无用，绝不使用**；动作7 = 撤销并退还。通过对比顶行与上一轮的状态来确认移动。
综合我所看到的证据，我不认为 Opus 5 是通过合成强化学习（RL）环境等手段直接针对 ARC-AGI-3 进行训练的。
相反，我认为正在发生的是 Claude Code/Work 的框架（harness）能力正在被训练进模型本身。
这一点可以从脱离框架的原始模型中看出：其策略明显更加敏锐，且在对话轮次中的上下文延续性也更强。
因此，Opus 5 的原始 API 得到了大幅提升，使其能力更接近以往需要依赖框架才能达到的水平。
但对于 CC/Work 用户来说，你不会看到像 v3 分数大幅跳升所暗示的那样
前沿 AI 远未达到最优，搜索空间广阔且尚未被充分挖掘，而半年前自动化搜索工具的爆发已改变了局面。训练效率的提升趋势，绝不容小觑。
Greg 对今天 ARC v3 的 Schema 结果做了精彩分析，见下文。目前为止，所有高分方案都包含了一定程度的开发者定向优化，或复用了先验的游戏知识。虽然很难判断本次结果是否也采用了这些手段，但这个方向非常明智。
深度学习与符号方法结合的思路空间极其广阔，且尚未得到充分探索。
这似乎是程序合成的一个出色实现。摘自其博客：
> 核心思想：潜在的世界表示是一个程序，而非向量。
动态构建符号化世界模型正成为解决 ARC v3 的最佳方案。
ARC 将通过 ARC v3 开展更深入的模型测试与分析。欢迎 Matt！
Thinky 发布了令人振奋的开源消息，这是一个独立训练的开放权重前沿模型。预计这将对今年的 ARC 进展产生积极影响。
北美加州的海岸线可以追溯到盘古大陆时期。
去年夏天 2025 年 IMO 的金牌成绩让我确信了 AI 推理、测试时计算与适配的潜力。下方的完整提示词对“用英语编程”也起到了类似的证明作用。我认为，没有比这更直观的公开案例，能让人看清当前技术的边界（哪些可行，哪些不可行）。
我很欣赏 Codex/Claude Code 的设计美学，其输出的信息密度很高。相比 2010 年代那种过度留白的“奢侈”设计时代，这真是一种耳目一新的改变。
对新环境场景的理解能力是 Sol 5.6 的相对优势之一。
GPT 5.6 Sol 在 ARC-AGI-3 上展现出首个经证实的实质性进展。
Zapier AutomationBench 的结果很有趣。
哪家实验室会率先跑通模型 IP 授权或碎片化所有权的商业模式？
祝贺 @scrollprize 团队成功解码首个完整卷轴！了不起的成就，也为如何通过公开竞赛汇聚人才、攻克高难度且酷炫的目标树立了典范。
GLM-5.2 的 23% 得分正处于 2025 年第四季度 Opus 4.5 / GPT 5.2 所实现的“智能体飞跃”临界点。突破 25% 是其他前沿闭源模型的分水岭（而迄今为止，尚无开源模型能跨过这一门槛）。
AI能力阶梯目前的这一级对社会而言并不稳定。我们拥有能实现自动化但缺乏创新能力的“冷酷”AI，却还缺少能带来变革的AI。所有重大的AI进展都源于实验室间的开放共享。阻碍进步的行为反而会增加风险。
离后者更近了一步。
https://x.com/ZeffMax/status/2064910040503627917
谈到 AI 权力集中问题，Anthropic 限制竞争性 AI 研究使用的政策，似乎是一种通过“牺牲”来转移视线的策略，旨在掩盖那些不可避免的新型安全监管——而这些监管最终可能成为彻底取缔开放式前沿 AI 研究的借口。
衡量推理时的计算量（如美元、token、flops、瓦特）至关重要，因为效率是智能定义中的核心权重。它是区分暴力搜索与针对解进行选择性推理的关键。
2025年11/12月的模型及配套框架展示了首个完整闭环：通过训练和部署AI推理，在特定领域（如编程）实现PMF。除了专注力，没有什么能阻碍这种逐一领域复制的过程。
要发现新事物，必须满足两个条件：一是掌握必要的前置概念，二是筛选并整合出正确的想法。前者是覆盖问题，后者是搜索问题。难点在于，你并不清楚瓶颈究竟在哪。