通过启用推理保留与压缩两项 API 设置，GPT-5.6 在 ARC-AGI-3 基准测试上的得分实现三倍增长，同时显著提升了推理效率与响应质量。
详细分析
这一成果出现在人工智能领域对推理能力评估日益严苛的背景下。ARC-AGI-3 作为衡量模型抽象推理与泛化能力的核心基准，长期被视为区分“记忆型”与“推理型”模型的关键标尺。GPT-5.6 此次通过两项特定 API 配置——推理保留（reasoning retention）与压缩（compaction）——实现了性能的指数级跃升，表明在相同参数量和训练数据前提下，模型架构调用策略的细微调整足以释放巨大的推理潜力。从行业数据来看，此前主流大模型在 ARC-AGI-3 上的平均得分长期徘徊于较低水平，个位数到十几分的进步已属难得，而三倍增长意味着语义理解和因果推断能力有了质的突破。市场反应方面，此消息在开发社区引起强烈关注，API 调用成本与效率成为新的讨论焦点——因为“推理保留”减少了因中途中断导致的重复计算，而“压缩”优化了中间表征，两者结合直接降低了延迟和 token 消耗，这对 AI 应用的商业化落地至关重要。从竞争格局看，OpenAI 通过这种“软优化”方式率先突破基准瓶颈，可能迫使其他厂商在模型部署策略上重新投入资源，而非单纯比拼参数规模。长远来看，这一发现暗示着现有预训练模型的潜力可能远未被充分挖掘，未来的改进重点或将由“更大的模型”转向“更聪明的推理管道”。不过，也有分析指出，单一基准的飙分需谨慎解读，跨任务泛化能力仍待验证。
编辑点评：当模型在特定配置下实现三倍得分跃升，我们可能正在见证推理工程（inference engineering）成为与大模型训练并行的重要研究范式。
原文：OpenAI Blog