在人工智能领域，衡量模型是否具备“通用人工智能”（AGI）潜力的试金石，莫过于 ARC（抽象推理数据集）基准测试。近日，OpenAI 在其官方博客中分享了一项极具启发性的技术实验成果：通过对 API 调用中两个关键参数的微调，其 GPT-5.6 模型在 ARC-AGI-3 基准测试中的成绩实现了惊人的三倍提升。这一发现不仅验证了现有模型的巨大潜力，更为开发者如何通过精细化调参来挖掘大模型逻辑推理能力提供了宝贵范本。
ARC 基准测试由 AI 研究员 François Chollet 创建，其核心目的在于评估机器的“抽象推理能力”。与传统的语言理解或图像识别不同，ARC 测试要求模型在面对全新的、从未见过的任务时，能够通过极少量的示例（即“少样本学习”），迅速掌握背后的逻辑规则。ARC-AGI-3 作为该系列的最新版本，难度和复杂度均有所提升，是业界公认的评估 AI 通用智能水平的重要标尺。OpenAI 此次的成绩突破，意味着其模型在处理复杂逻辑链、跨模态推理以及泛化应用方面迈出了坚实的一步。
在这次实验中，OpenAI 并没有更换底层的模型架构，而是聚焦于 API 调用的配置策略。他们发现，启用“保留推理”这一设置，对模型表现起到了决定性作用。在大多数情况下，为了追求响应速度和节省 Token 成本，大模型在处理复杂任务时往往会丢弃中间的思考过程。然而，OpenAI 的实验表明，保留这些中间步骤——即让模型展示其“思维链”——对于解决高难度的 ARC 任务至关重要。这就像是让解题者在草稿纸上写出解题步骤，而非直接给出答案，这有助于模型在后续步骤中自我修正和验证逻辑的连贯性。
第二个关键设置是“启用压缩”。大模型在处理超长上下文或复杂的逻辑链条时，往往会遇到内存限制或计算瓶颈。通过启用压缩技术，模型可以在不丢失关键信息的前提下，对中间推理过程进行高效的精简和打包。这一机制允许 GPT-5.6 在有限的上下文窗口内，承载更长的推理路径，从而能够处理那些需要多步推理才能解决的难题。这种“压缩”并非简单的信息删减，而是一种智能的摘要和提炼，确保了核心逻辑的完整性。
这一策略的双重奏——既保留了推理的细节以保证准确性，又通过压缩提升了处理效率——最终带来了性能的飞跃。OpenAI 报告称，通过调整这两个设置，不仅测试得分翻倍甚至三倍，同时响应速度和资源利用率也得到了显著优化。这一发现对于行业具有深远的启示意义。它告诉我们，通往 AGI 的道路不仅在于模型参数量的堆叠，更在于如何更聪明地使用模型。对于开发者而言，这意味着在构建应用时，需要根据任务特性，灵活配置 API 参数，以最大化模型的逻辑推理潜能。
此外，这也为未来的模型训练指明了方向：如何在保持模型“博学”的同时，赋予其更精细的逻辑控制权。随着 GPT-5.6 在 ARC-AGI-3 上取得优异成绩，我们有望看到更多基于此类推理优化的应用落地，特别是在需要高度逻辑严密性的科研、编程和复杂决策辅助领域。
信息来源：OpenAI News，原文链接：https://openai.com/index/how-two-settings-tripled-our-arc-agi-3-scores
