打穿 AI 智商测试！GPT-6 Astra 的符号世界模型，是突破还是钞能力刷分？

每题狂烧 360 美元，GPT-6 真的通关 AGI 了？

作者丨高允毅

编辑丨岑 峰

OpenAI 的最强模型 GPT-6 Astra终于亮相，它在电脑操作、科研探究和安全防御上都有惊人的突破。而在众多亮眼成绩中，最引起大众热议的是它在 ARC-AGI-3 测试中，成绩逼近100%。

ARC-AGI-3 是什么？这是目前全球科技圈公认AI “智商”评测榜，你可以把它理解为 AI 界的门萨俱乐部入会考试。

这个测试里全是不断变化的图形规律题，根本没法刷题，AI必须像人类一样去探索环境、推测目标，靠临场反应和推理能力找出规律。这在各类评测中较为高阶，更能测试出 AI 到底只是一个工具，还是真智能。

而 GPT-6 Astra竟然把这个测试打穿了，要知道，上一个模型 GPT-5.6 Sol 的分数还是 38.3%，这实在是一个巨大的飞跃。这种智力甚至碾压人类，在96% 的关卡中，它都比人类的操作效率更高，平均动作步数比人类少 51.7%。

如果一个 AI 在完全陌生的环境下，真正具备了建立逻辑规律并解决问题的能力。我们可以畅想一下，未来，或许它可能在未知的自动驾驶路况中，做出正确的选择，或者在全新的未知病毒爆发时，迅速推演出特效药的分子结构。

为了探究 GPT-6 Astra为什么这么聪明，ARC Prize 官方亲自复盘了它的后台记录，发现它在玩游戏时，会生成高效的“符号世界模型”。

符号世界模型是“世界模型”的高级衍生品。当世界模型像艺术家一样，用画面来预测未来时；即时符号世界模型更像一个数学家，将现实世界抽象为逻辑符号和因果代码。

这个技术被公认为 AI 迈向高级推理的必经之路。

01

符号世界模型是什么？

过去，很多大模型在 ARC-AGI 系列基准测试中拿不到高分一个重要原因，就是它们习惯了“暴力试错”。AI 会把游戏画面切成像素块，先随便点一下，不对就换个方向，靠运气通关。

这种模式下，就算有一些分数的突破，AI也不是真正理解和掌握游戏规则。

符号世界模型之所以能掌控全局，正在于它是对周围环境物理规律、因果关系充分理解后，通过精密计算后做出选择。

在实际测试中，当 GPT-6 Astra进入陌生的图形游戏后，它会开始用自创的 DSL ，一种专属的代数符号系统，对观察到的环境做大量笔记。比如，它会精准记录下游戏潜在的隐性规则、一连串即将执行的指令，甚至将每一个像素的运动轨迹都精确映射到坐标系上。

这种代数的记录方式带来的是唯一确定的世界状态，相较于之前模型用自然语言交互产生的歧义性，这种符号化表述会让准确率带来史诗级飞跃。

然后，它会先在脑海里写出一套 Python 代码逻辑：“如果我按 A，图形就会左转 90 度”。

接着，它会在自己大脑里建一个“虚拟沙盒”，在脑中模拟接下来的计划。确认逻辑闭环、准确无误后，它才会在现实游戏中点下第一步。这就是为什么，它的操作效率远高于人类的原因。

为了摸透 GPT-6 Astra能力边界，红队测试平台 PRO‑LONG 把它放进代码沙盒，允许 AI 自主编写、运行自定义代码。

结 果， GPT-6 Astra 居然开始为每 一款游戏“量身定制”工具。比如在一个有守卫巡逻的复杂迷宫游戏里，GPT-6 Astra自己写了个导航系统，接着又添加了战斗规则，还模拟了守卫的巡逻路线，最后通过这套自制工具链完美预测并校验了成果。

早些年，这套符号推演、自主造工具的能力，完全依赖外部 Harness 外挂框架实现。外挂帮模型做画面转译、状态记录、结果校验，但是缺点十分突出：模型和外挂来回传输数据带来高额延迟；外挂的工程能力与大模型本身的权重训练完全脱节；由于对云端计算环境和外部脚本的重度依赖，这类高阶能力很难被部署到端侧边缘硬件上。

而 GPT-6 Astra 现在把 大量属于 Harness 的能力，内化进模型自身权重。一直推崇符号世界模型的顶尖学者Gary Marcus忍不住盛赞 GPT-6 Astra是这一路线的重大胜利。

近一两年来，学术与产业界在这个方向涌现了大量核心成果，从哈佛、MIT 到 Google DeepMind，所有人都在押注“符号世界模型”。在通往 AGI 的无数条分叉路口前，业界正在达成某种底层的技术共识。

02

分数这么高，AGI 稳了？

出题人亲自泼冷水

很有意思的是，在全网为这一刷榜分数沸腾时，不少人转发 OpenAI 总裁 Greg Brockman 那句“ AGI 已来”时，ARC Prize 基金会总裁 Greg Kamradt 亲自下场泼了冷水。

他是出题人中的核心人物，基准怎么设计、分数怎么解读，他最有发言权。从评测角度，他认为分数虽然是真的，但这玩意离 AGI 还差着十万八千里。

到目前为止，他已经看到了不少团队靠 Agent Harness 在ARC-AGI-3 上拿到 90% 以上，比如有超强记忆外挂的 PRO-LONG、擅长深度推演的 Tycho、能自我进化编程环境的 Prime Agent。

这些拿高分的产品都有共同的技术配方，即拥有无损内存、程序化分析、显式假设检验、持久状态、低成本内部计算五大部分。

其中无损内存负责记忆，程序化分析负责逻辑，显式假设检验负责推演，持久状态负责多轮交互的上下文，低成本内部计算负责廉价内部算力，让 AI 能在虚拟环境里疯狂试错后再输出正确答案。这些共同组成了一个无敌的 Harness，会补足模型自身的不足。

GPT-6 Astra逼近 100% 的成绩，同样用了一套豪华的 Harness 加持，它借助了专门定制的“供应商适配器基座”，利用连续对话和上下文压缩来帮它撑起逻辑链，每跑完一局游戏，就需要消耗 360 美元的昂贵算力。如果完整跑完一整场测试，总算力账单会高达惊人的 1.8 万美元（约合 13.5 万人民币）！

人类解一个图形谜题可能只需要几分钟，按人脑 20W 代谢功率折算电费，不到半美分；即使算上支付给受试者的真实时薪补贴，折合每局也就 12.78 美元，而 AI 要花掉 360 美元。这种靠“钞能力”拼出来的成绩，真的能成为普通人触手可及的 AGI 吗？

当然，GPT-6 Astra 已经开始把 Harness 的能力逐步内化，如果继续发展，模型内部的潜在计算能力会越来越厉害。不过，因为其推理过程开始不透明，开发者们也不知道，AI是真的懂了，还是找到了更高效的作弊途径。

回到上面的问题，GPT-6 Astra到底算不算 AGI ？

对于这个问题，Greg Kamradt 在他的长文最后，给出了一个充满哲思的回应。人类为什么能被视为“通用智能”，因为人类可以适应任何未知的世界，哪怕是把古代的婴儿扔到现代，他同样能学会坐地铁、用手机。这种智能延续千年，不断推进科技进步。但现在科技界要氪金通过的测评，只是给 AI 办的一场“图形消消乐考试”。

这只是证明 AI 正在变聪明，但绝不是 AGI 到来的证据。

https://arcprize.org/blog/astra https://x.com/gregkamradt/status/2095600045873828013?s=46

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。