AI工具AI评分 一般 (62)AI 中文改写

Claude Fable 5.2 - ARC-AGI 测试结果

8 天前 5 阅读来源:arcprize.org

AI 中文改写

原文为英文,由 AI 改写为中文报道,内容完整。如需参考原文请点击下方链接

Anthropic 于 11 月 9 日公布了 Claude Fable 5.2 在 ARC-AGI 基准测试上的成绩,这组数据在 AI 圈内引发了不小的讨论。在 ARC-AGI-1 和 ARC-AGI-2 这两个半私有测试集上,Fable 5.2 在 XHigh 推理档位下分别拿到 98.5% 和 93.8% 的分数;而在难度更高、更接近真实交互场景的 ARC-AGI-3 上,它用标准测试框架(Standard harness,允许模型在整个环境中携带自己选择的笔记)跑出 81.2%,换用 Provider Adapter 框架(在请求之间保留不透明的推理状态,并对长对话做压缩,让模型复用此前的工作成果)后,高分档位进一步攀升到 97.7%。价格方面,输入每百万 token 收费 8 美元(约合人民币 57 元),输出每百万 token 收费 40 美元(约合人民币 285 元)。 这组数字最值得玩味的地方,不在于分数本身,而在于测试框架对结果的影响。同一个模型,在 ARC-AGI-3 上仅因换了一套状态管理机制,高分档位就从 81.2% 跳到 97.7%,这说明当前 AI 在长程任务中的表现,很大程度上取决于外部工程能否帮它"记住"和"复用"此前的推理。对做 AI 应用开发的团队来说,这是一个明确信号:模型能力之外,上下文管理和状态持久化的设计正在成为产品差异化的关键。另一个细节是,在标准框架的最高推理档位下,55 个半私有游戏中有 28 个跑满了 12 小时的时间上限,测试被迫中止——这意味着这些游戏的难度已经超出当前评测机制能衡量的范围,模型的真实上限可能比分数显示的更高。从榜单看,Claude Fable 5.2 与 GPT-6 系列、Gemini 4 Argon、Grok 4.7、DeepSeek V4.1、Kimi K3 等模型同场竞技,ARC-AGI-3 已成为各家新一代模型比拼长程推理和交互能力的核心战场。对跨境电商卖家和出海创业者而言,这类模型能力的跃升意味着 AI 代理在选品分析、广告投放优化、多步骤客服等长链路任务上的可靠性会继续提升,但每百万 token 40 美元的输出成本也提醒团队,在高价值场景之外仍需谨慎控制调用量。

以上为 AI 中文改写版本,如需查看英文原文请访问

英文原文 · arcprize.org

内容版权归原作者及 arcprize.org 所有

这篇文章对你有帮助吗?
觉得有用?分享给更多人

留言 · 0 条

暂无留言,来说两句吧

留言经合规过滤后展示,禁止违法内容