通过保留推理链和启用压缩机制这两个 API 设置，GPT-5.6 在 ARC-AGI-3 基准上的得分提升了三倍，同时显著提高了推理效率和输出质量。
详细分析
这一突破性进展发生在 AI 领域对推理能力评估日趋严格的背景下。ARC-AGI-3 作为目前公认的抽象推理基准测试，旨在衡量模型在未见任务上的泛化能力，其难度远超传统语言理解测试，被视为通往通用人工智能（AGI）的关键门槛。此前，多数前沿模型在此基准上的表现始终徘徊在较低水平，而 GPT-5.6 此次通过两个简单的 API 设置——保留推理链和启用压缩——实现了分数的三倍跃升，这不仅是数值上的胜利，更折射出大模型在推理机制设计上的深层变革。从行业数据看，OpenAI 的竞争对手如 Google DeepMind 的 Gemini 系列和 Anthropic 的 Claude 系列，在同类基准测试中的成绩增长通常以百分之十到二十为单位渐进，而此次的倍数级提升无疑拉高了竞争水位。市场反应方面，该消息传出后，技术社区迅速展开讨论，许多开发者认为这暗示着“推理过程保留”（即不将中间思考步骤压缩为隐状态）与“压缩策略”（即对长 COT 进行 token 级缩减）的组合，可能是当前算力约束下最有效的性价比解。从更宏观的视角看，这一成果挑战了此前“模型规模决定智能上限”的普遍假设——GPT-5.6 并非通过增大参数或训练数据获得优势，而是依靠推理时的配置优化，这意味着提升智能的边际成本正在从训练端转向推理端，对云算力需求和 AI 应用商业模式将产生深远影响。同时，这也凸显了基准测试设计的敏感性：两个 API 开关即可引起如此显著的分差，使人们对现有评估体系的鲁棒性产生疑问，并可能推动下一代基准向更注重推理过程透明度的方向发展。尽管这一发现尚待第三方复现，但若属实，它将为中小型研究团队提供低成本提升模型推理能力的可行路径，并促进更多关于推理机制而非模型架构的研究转向，从而加速整个行业在 AGI 道路上的探索。
提示：这不仅是技术调参的胜利，更是对“推理外显化”价值的确认——在通往强智能的路上，过程的可控性可能比参数堆叠更具决定性。
原文：OpenAI Blog