先说几个核心判断。
就在刚刚，Claude Opus 4.8（High）登顶了这张公认最难AI评测榜单的榜首。在ARC-AGI-3上，它拿下了1.5%的得分——这个数字是第二名的整整3倍。但代价也不小，跑一次评测，要烧掉1万美元。
放在别的AI测试里，1.5%这个成绩恐怕只能用惨不忍睹来形容。但在ARC-AGI-3上，它是有史以来的最高分，而且没有之一。此前的纪录保持者是Opus 4.6（Max），得分0.5%。至于GPT-5.5？只有0.4%，连Opus 4.8的零头都不到。
截至6月1日的完整榜单如下（按得分排序）：
- Opus 4.8（High）：1.5%，1万美元
- Opus 4.6（Max）：0.5%，8900美元
- GPT-5.5（High）：0.4%，1万美元
- Gemini 3.1 Pro（Preview）：0.4%，2200美元
- Opus 4.7（High）：0.2%，1万美元
- GPT-5.4（High）：0.2%，5200美元
- Grok 4.20（Beta Reasoning）：0.1%，3800美元
Opus 4.8刷榜，最难考试新SOTA
最高分才1.5%——这张试卷凭什么这么难？
之前的ARC-AGI-1和2虽然也不简单，但本质上依然是有标准答案的填空题。而ARC-AGI-3完全是另一种玩法：把你扔进一个从来没见过的游戏里，没有任何说明，没有任何提示。你得自己探索、自己猜规则、自己推断胜利条件、自己规划路线。测试一发布，所有前沿AI的得分直接归零。
说白了，ARC-AGI-3考的就是Agent能力。而Opus 4.8这次升级的重心，恰好全押在了这上面。在大多数传统benchmark上，它确实只是在Opus 4.7的基础上小幅涨分——SWE-bench Verified从87.6%到88.6%，GPQA Diamond持平在93.6%。但所有Agent相关的评测上，画风直接突变。SWE-bench Pro（更难的代码修复测试）从64.3%直接涨到69.2%，领先GPT-5.5的58.6%超过10个百分点。Online-Mind2Web（浏览器操作测试）拿下84%，同时超过Opus 4.7和GPT-5.5。Terminal-Bench Hard一下涨了6.8个百分点。
反过来看GPT-5.5。它在静态推理上依然是怪物级别——ARC-AGI-2拿到85%，Terminal-Bench表现也都优。但一旦任务从「解题」变成「在复杂环境中持续操作」，GPT-5.5就开始掉速。SWE-bench Pro落后Opus 4.8超过10个百分点，在GDPval-AA真实工作场景评测中，Opus 4.8以1890 Elo领先约120分，胜率67%。
换句话说，考「已知领域的推理深度」，GPT-5.5仍然最强；考「未知场景下的持续适应」，Opus 4.8正在拉开差距。而ARC-AGI-3，恰好是后者的极端版本。
5帧推出规则，然后一头扎进死胡同
为了更深入分析Opus 4.8的表现，ARC Prize同步给出了它完整的解题过程。总结下来，关键词只有一个——「抽象层级」。
Opus 4.7看到的ARC-AGI-3画面是一张「图片」，逐像素处理；Opus 4.8看到的则是「物体和系统」——它开始识别出画面中哪些是独立实体、哪些是背景、哪些在互动。差一个抽象层级，结果天差地别。
在ar25环境中，Opus 4.8只用了5帧就推导出了镜像反射规则（「蓝色往左移3格，橙色就往右移3格……关于第31列镜像反射」），24步通关第一关。在lp85环境中表现更亮眼，这是ARC Prize标注的Opus 4.8「得分最高的公开环境」，多个关卡都打出了接近人类的效率。
不过，在dc22环境里，Opus 4.8虽然漂亮地通了1到3关，但在第4关时却锁死在一个错误的子目标上，怎么都不松手。这是Opus 4.7根本走不到的阶段，也是一种全新的失败模式。可以说，进步和新bug同时到货了。
每一代ARC-AGI，都预言了下一场战争
从诞生到现在，ARC-AGI每换一代，都精准预言了下一波AI的主战场。
ARC-AGI-1预言了推理革命。2024年底o3的突破，精准标记了大推理模型（LRM）范式的到来。半年后，推理成了所有前沿模型的标配。
ARC-AGI-2预言了编程Agent的爆发。2025年各家AI在ARC-AGI-2上快速攀升，与Claude Code、Codex等编程Agent的产品化几乎同步。
ARC-AGI-3正在测的，是交互式环境中的自主探索与适应。如果这个规律再次成立，那么接下来这一轮竞赛的核心，将会是谁能在从未见过的世界里更快地搞清楚状况。
GPT-5.5在旧考试上赢了11个百分点。Opus 4.8在新考试上赢了近4倍。哪张考试更能代表未来？答案可能很快就会揭晓。
参考资料：
https://arcprize.org/leaderboard
https://x.com/scaling01/status/2061513383287882111?s=20
