华为诺亚方舟实验室与UCL联合提出Memento 3智能体系统，以Claude Opus 5为底模，不更新权重，通过“代码即模型”让AI边玩边写规则与模拟代码并自我纠错。该系统在ARC-AGI-3的25款游戏183关全部通关，操作7518次，比人类少约56%，获满分RHAE；玩Pong时策略成熟后无需大模型推理，三局21:0。

何恺明团队提出视觉原生框架VISTA，使多模态模型能直接保存原始画面，并在推理时随时回看、放大和检查细节，无需重新训练。在该框架下，Claude Opus 5.0通关ARC-AGI-3全部25个公开游戏，动作效率得分满分100，动作数比人类基线少57.4%；GPT-5.6 Sol同样全部通关，得分99。团队还在浏览器游戏、迷宫和连线题中验证了该方法，并将具身任务列为后续方向。

OpenAI于2026年9月3日发布GPT-6 Astra，使用超10万块GPU训练，在ARC-AGI-3测试中得分99.9%（标准框架62.7%）。该模型能像人类一样操控电脑，完成复杂工作流，并支持多智能体协作以构建模拟文明。API定价为每百万输入tokens十美元，输出五十美元。具备关键级网络安全能力，但隐藏推理过程引发担忧。

OpenAI发布GPT-6 Astra，在ARC-AGI-3基准测试中获99.9%高分，但该成绩依赖优化测试工具，标准工具下仅62.7%。模型在网络安全上达关键级，发现零日漏洞，但可监控性下降，能隐藏思维链。其是否真达AGI存疑，基准测试与全面智能评估存在落差，引发对安全与真实能力的讨论。

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。