只换一层外壳：让 Opus 4.8 和 Fable 5 在 ARC-AGI-3 评测中冲到 99%
- ARC-AGI-3 是一类「不告诉你规则」的游戏：AI 只拿到一块 64×64 的彩色格子和几个能按的操作，没有物体清单、没有目标说明、没有奖励提示。今年 3 月刚上线时，最强的模型也只拿到 0.51 分。
- Schema 是一层外壳，不改模型的权重，只改「怎么用它」：让模型把每一局游戏的规则写成一段能跑的程序，拿之前记录的每一步去验证，通过后再在这段程序里搜索下一步。
- 公开的 25 局里，Opus 4.8 搭配 Fable 5 拿到 98.98 分，GPT-5.6 Sol 拿到 95.35 分。两个成绩都是团队自评，没经过 ARC Prize 官方核验。
- 同样是 Opus 4.8 加 Fable 5，换成原生的 Claude Code 外壳只有 42.83 分；只把外壳换成 Schema，就多了 56.15 分。
- 这个 99% 衡量的是步数效率：拿 AI 的步数去比人类第一次玩的步数（步数比的平方）。它意味着几乎每一局都用不输给人类的效率通关了，光解出来还不够。
一种不告诉你规则的游戏
Impossible Research（与加州大学伯克利分校、卡内基梅隆大学合作）发布了 Schema，一套让前沿模型像物理学家一样玩游戏的外壳。它挑战的是一个专门为难 AI 的测试，ARC-AGI-3。
ARC-AGI-3 会丢给 AI 一局游戏，但不解释它在看什么。每走一步，AI 拿到的只有一块 64×64 的格子（16 种颜色）和一组「现在能按哪些键」。没有物体清单，没有规则说明，没有写明的目标，也没有「这一步做对了」的奖励提示。想往前走只有一条路：像物理学家那样，一边动手一边猜规则，猜错了就改。
下面这张图，就是 AI 在 25 局公开游戏里真正看到的画面。每一格是一局，它得自己搞清楚：这一堆彩色方块里，哪个是我操纵的角色，哪些是墙，哪根条子在倒计时，怎样才算通关。
这个测试对前沿模型极其残酷。它的官方指标叫 RHAE（相对人类行动效率），拿 AI 每关用的步数去比一个第一次玩的人。今年 3 月刚上线时，经核验的前沿模型最高只有 0.51 分；到 7 月，最好的 GPT-5.6 Sol（开到最高推理档）在半公开集也才 7.78 分，公开集 13.33 分。作为参照，人类的行动效率就是满分 100。
变的不是模型，是「怎么用模型」。Schema 是一层外壳（harness）：它只重新安排了画面怎么喂进去、模型怎么把观察变成一份对游戏的理解、这份理解怎么拿真实记录去验证、计划又怎么执行和修正。同一个 Opus 4.8 加 Fable 5，换掉这层外壳，公开分从 42.83 跳到 98.98。
99 分到底是什么意思
它不是「25 局解出了几局」的通关率。RHAE 衡量的是步数效率，而且带一个很重的平方惩罚。
算法是这样：每一关拿「人类的步数 ÷ AI 的步数」，再平方，上限 1.15。一局游戏里越靠后的关卡权重越高（从 1 递增到 n）；而且有个和权重挂钩的完成度上限，只要有一关没通，这一局就拿不到满分。所有在游戏里真正按下去的操作，包括为了试探而走的探索步，全都算进 AI 的步数里。因为是平方，多花的步数会让分数掉得很快。
所以同样是「差不多都通关」，效率不同，分数可以天差地别。原文给了一组对照：