GPT-6.1 Sol 登顶 ARC-AGI-3，2.5 个月从 7.8% 升至 52.7%
ARC Prize 成员 mhmazur 透露，GPT-6.1 Sol 在标准 harness 下的 ARC-AGI-3 成绩为 52.7%，而他 7 月入职时该基准最高分还只是 GPT-5.6 Sol 的 7.8%，仅过 2.5 个月。
推荐理由：同一标准 harness 下 ARC-AGI-3 最高分在两个半月内从 7.8% 升至 52.7%，可据此观察前沿模型推理能力的提升速度。
评测基准
全部主题模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
最新精选
第 21–23 条 · 共 23 条AGI Hunt精选AI 评分6666
AGI Hunt精选AI 评分6666 开发者让 Claude Opus 5.5 从零造计算机，27.7 万逻辑门跑起 OS 和游戏
开发者 Levi Turk 让 Claude Opus 5.5 从零造一台能用的计算机，模型在浏览器里用 JS 实现了约 27.7 万个逻辑门的完整数字电路。电路之上还构建了操作系统，可在其中运行游戏。作者强调这不是 mockup，而是真正可运行的计算机，并放出在线链接供人直接体验。
推荐理由：演示给出了模型从零生成完整可运行计算机的具体规模与产物，可作为观察当前模型长任务能力的参照。
Towards Data Science精选AI 评分6767 Jev 与 LLM 对比实测：AI 从生成走向决策
TypeSafe AI 推出的 System One 模型 Jev 在作者自测的 3,080 条 Banking77 银行客服消息分类任务中准确率 81.1%，比 Qwen3-Coder-Next-80B-A3B 高 4.7 个百分点，两者中位响应时间分别为 245 ms 和 249 ms。
推荐理由：作者用同一批银行客服消息对比 Jev 与 Qwen，并检验置信度阈值和级联回退是否真的有效。