刚刚，GPT-5.2刷新了一项新纪录！ OpenAI联合创始人Greg Brockman发帖称使用GPT-5.2在ARC-AGI-2基准测试上，表现超过了人类基线水平。 在基准测试时技能爆表，但一到实际应用就「掉链子」，OpenAI前首席科学家Ilya Sutskever提到的这种大模型「性能悖论」我们并不陌生。 这也是AGI评估领域一个长期存在的难题——如何区分大模型「真正的推理能力」与「刷题型能力」。 而ARC-AGI-2的出现正好打破了这一难题。 ARC-AGI-2的全称为「Abstraction and Reasoning Corpus for Artificial General Intelligence-Version 2」，是ARC系列基准的最新升级版本。 该基准由François Chollet（Keras之父、前Google Brain研究员）及其团队在2025年推出，其设计初衷十分明确： 测试AI是否具备AGI所必需的抽象、归纳与迁移推理能力，而非记忆或统计模式匹配。 ARC系列与传统NLP或多模态benchmark最大的不同在于：它没有大规模训练集，每道题目都是从未见过的新任务，因此不存 ...