ARC-AGI-3基准测试揭示AI代理推理能力瓶颈，行业创新加速发展

由@arcprize与François Chollet联合推出的ARC-AGI-3基准测试，重新定义了通用智能代理推理能力的评估标准。测试结果显示人类用户可完成100%任务，而当前主流模型仅达成不足1%，凸显人类在零准备场景下的泛化能力与学习效率优势。该测试因过度强调效率指标引发争议，与NetHack等传统基准存在差异。行业正通过技术创新应对挑战：LangChain推出Fleet共享技能实现领域知识复用，Anthropic开发Claude Code自动模式通过分类器平衡自主性与人工验证。浏览器与编程代理正向可训练系统演进，BrowserBase与Prime Intellect的合作成为该趋势的典型代表。