OpenAI发布GPT-6 Astra，在ARC-AGI-3测试中得分98.6%，远超GPT-5.6 Sol的7.8%，并在数学、编程等基准上大幅提升。尽管成绩显著，但测试设置差异及模型自主性不明，尚不能证明AGI。Astra在安全性和长任务处理上表现更优，标志AI能力进入新阶段。

英伟达发布AVO智能体系统，将Claude Opus 5在ARC-AGI-3基准上的得分从30.2%提升至100%。该系统通过持久记忆和程序化监督，支持长时间自主操作，并成功从GPU优化迁移至推理任务，证明系统设计而非仅模型能力可解锁前沿性能。

Prime Agent是开源AI编程智能体，采用单一持久IPython内核作为唯一工具，减少工具选择成本，在ARC-AGI-3测试中获95.5%高分，但令牌消耗翻倍。其核心是递归语言模型和持续harness，让AI自主管理上下文和子智能体。虽效率提升，但成本转移至推理层，且存在过拟合风险，引发对AI效率衡量标准的重新思考。

Prime Agent开源框架通过递归语言模型和持续化运行机制，使AI实现自我改进，在ARC-AGI-3测试中获95.5%高分，超越人类基线。该框架支持AI不失忆、自改提示词及创建子智能体，并能从零编写游戏机模拟器。其完全开源，引发AI基础设施层变革，凸显学习方法比模型规模更重要。

OpenAI发现GPT-5.6 Sol在ARC-AGI-3基准测试中得分低，源于官方框架丢弃推理和滚动截断，而非模型能力不足。启用推理保留和上下文压缩后，得分从7.8%升至38.3%，输出token减少六倍。这揭示基准测试测的是框架记忆管理，而非模型智商，建议评估应使用更贴近实际场景的设置。

Claude Opus 5在ARC-AGI-3测试中得分30.2%，远超GPT-5.6 Sol的7.8%，并攻克五个难题，展现代数推理能力。尽管有质疑称其可能依赖循环框架取巧，但测试反映AI在抽象推理上的质变，虽离现实应用尚远，却标志智能突破的重要信号。

加州大学圣地亚哥分校与OpenAI的研究提出了OPINE-World，通过程序化世界模型使LLM Agent在未知环境中主动学习。在ARC-AGI-3基准测试中，该模型解决了20个游戏，达到了78.4的动作效率。OPINE-World结合两个Agent进行假设与测试，利用本体论误差度量优化探索过程，提高学习效率。

GPT-5.6在ARC-AGI-3基准测试中展现出“情境锚定”能力，尽管整体得分仅为7.78%，但在特定任务FT09中取得87%的正确率。这标志着AI从“解题机器”向“环境阅读者”的转变，显示出其在新环境中理解规则的认知灵活性。虽然在高难度任务上表现有限，但这一突破为通用智能的发展指明了方向。