on ARC-AGI-3, retained reasoning and context compaction raised GPT-5.6 Sol's score from 13.3% to 38.3% while reducing output tokens sixfold
EP.99 故事线C: Harness 设计本身就能将性能从 13.3% 提升到 38.3%，同时减少 6 倍的输出 tokens——这意味着「如何运行模型」和「运行什么模型」同样重要。这是对 AI Agent 工程的深刻洞察：推理框架的设计空间远未被充分探索。
non-expert humans comfortably exceed 60%
【洞察】120 倍的人机差距意味着：当前 AI 推理能力的提升是「在已知模式上的优化」，而非「真正的归纳推理泛化」。这对所有声称「AI 已接近人类」的产品宣传都是正面挑战——AGI 时间线的预期需要重新校准，而非渐进式调整。
ARC-AGI-3 was officially released this week. All frontier models score below 0.5%
⚠️【令人震惊的数字】最强前沿模型得分低于 0.5%——而非专业人类轻松超过 60%，差距超过 120 倍。这是继 ARC-AGI-2 之后最彻底的「AI 能力幻觉清醒剂」。推理能力的提升并未自动迁移到「新颖抽象推理」，当所有人在讨论 AGI 即将到来时，这份数据是最直接的反驳。