通过启用两个API设置，GPT-5.6在ARC-AGI-3基准测试中的得分提升至原来的三倍，同时显著提高了推理效率。这一发现为大型语言模型在抽象推理任务上的表现优化提供了新思路。
详细分析
在人工智能领域，基准测试是衡量模型能力的关键标尺，而ARC-AGI-3（Abstraction and Reasoning Corpus for AGI，第3版）以其对抽象推理和知识泛化的严苛要求，被视为接近通用人工智能（AGI）的重要试金石。近期，一项关于GPT-5.6在ARC-AGI-3上表现的突破性发现引起了业界广泛关注：仅通过启用两个API设置——保留推理（retaining reasoning）和启用压缩（enabling compaction）——模型得分竟实现了三倍增长，同时推理效率也得到大幅提升。这一结果远超常规的模型微调或架构调整所带来的增益，凸显了推理配置在模型潜能释放中的关键作用。从行业背景来看，当前大语言模型竞争已从参数规模比拼转向效率与智能深度的博弈。GPT-5.6作为OpenAI的最新力作，其基础能力已处于行业顶尖，但ARC-AGI-3等抽象推理任务一直是其短板之一。此次发现意味着，通过优化API调用策略，无需额外训练成本即可显著提升模型在复杂推理任务上的表现，这对企业和研究机构而言是极具吸引力的成本效益方案。市场反应方面，该消息在AI开发者社区和投资圈迅速发酵。多家依赖大模型推理能力的公司（如自动化编程、数据分析平台）已开始评估将此设置嵌入其产品管道，以增强核心竞争力。分析人士指出，这一突破可能改变基准测试的评估范式——未来模型评测将不仅关注模型本身，更关注推理参数的最优配置。同时，这也为开源模型社区提供了重要参考，因为中小型团队难以负担大规模训练，但可以通过类似配置技巧来拉近与顶尖模型的差距。从更深远的意义看，该发现揭示了当前大模型推理机制的未解之谜：为何保留推理路径和压缩中间状态能产生如此巨大的性能跃迁？这可能与注意力机制中的信息瓶颈有关，压缩迫使模型更高效地编码关键信息，而保留推理则避免了长链推理中的梯度消失或信息丢失。这为未来模型架构设计提供了方向，或许下一代数理模型将内建此类自适应推理机制，而非依赖人工调参。竞争格局上，OpenAI的竞争对手（如Google DeepMind的Gemini系列、Anthropic的Claude）必然会加速研究类似推理配置的优化策略，以避免在基准竞赛中落后。同时，这也对Hugging Face等模型托管平台提出新需求——为用户提供更详细的推理参数指导。总体而言，这一发现不仅是技术层面的小技巧，更是对大模型性能边界的重新认知，其影响可能辐射至模型部署方式、基准测试设计乃至AI伦理讨论（效率提升是否意味着更低的能耗）。未来，随着更多此类“配置驱动”的性能优化被挖掘，AI行业的创新重心或将部分从模型训练转向推理工程。
这项发现提醒我们，在追求更大模型的同时，可能忽略了已有模型的潜力边角——有时候，改变参数配置比改变参数本身更有效。
原文：OpenAI Blog