Claude Opus 5 установил рекорд на бенчмарке ARC-AGI-3, опередив GPT-5.6 Sol почти в четыре раза

Модель Claude Opus 5 от Anthropic заняла первое место в рейтинге бенчмарка ARC-AGI-3, набрав 30,2% — почти вчетверо больше прежнего рекорда в 7,8%, который принадлежал GPT-5.6 Sol (Max) от OpenAI. Создатели теста из организации ARC Prize утверждают: такой отрыв объясняется качественно более сильным логическим мышлением, а не просто дополнительными вычислениями.

Opus 5 решил пять ранее не взятых сред из набора задач, причём четыре из них — на уровне человека или выше. Это также ставит его впереди собственных «Fable-class» моделей Anthropic, которые, по данным ARC Prize, показывали около 20%. Из 25 публичных демо-сред на сегодня решены шесть; полные результаты, записи прохождений и код для воспроизведения тестов опубликованы в открытом доступе.

Что измеряет ARC-AGI-3 и почему это важно

ARC-AGI-3 — не классический тест на знания. Он устроен как игра: модель попадает в незнакомую интерактивную среду, должна самостоятельно вывести её правила, спланировать действия и выполнить их шаг за шагом. Задачи специально подобраны так, чтобы исключить возможность «вспомнить» правильный ответ из обучающей выборки — большинство из них человек решает без труда, опираясь на общий здравый смысл.

Важная оговорка: официальный зачёт идёт только за результат самой языковой модели без внешних программных надстроек (harness). ARC Prize принципиально настаивает на этом: будущий AGI не должен зависеть от вспомогательного ПО при решении новых задач. По оценкам организации, в среде Claude Code Opus 5 показал бы результат ещё выше.

На более ранних версиях теста Opus 5 также держится в топе: 90,4% на ARC-AGI-2 и 97,5% на ARC-AGI-1. Оба результата сопоставимы с прежними рекордами, хотя и достигнуты при несколько более высоких вычислительных затратах.

Реальный прогресс или точечная оптимизация под бенчмарк

Anthropicне раскрывает детали обучения Opus 5. Однако есть существенный нюанс: модель разрабатывалась уже после того, как формат ARC-AGI-3 стал публичным. Это теоретически позволяло команде целенаправленно готовить модель к типу задач и логике головоломок, не тренируясь на конкретных примерах из теста. Вероятные инструменты — разметка цепочек рассуждений и шагов восстановления после ошибок на похожих задачах, а также обучение с подкреплением, вознаграждающее исследование, планирование и самокоррекцию.

Независимую проверку провёл исследователь Guanghan Ning на приватном бенчмарке Witness, ориентированном на интерактивные головоломки. Там Opus 5 набрал 43,4 балла, статистически сравнявшись с Kimi K3 и Fable 5, — прирост относительно Opus 4.8 оказался значительно скромнее, чем на ARC-AGI-3. На одной из игр с нестандартной механикой Opus 5 и вовсе уступил предшественнику.

Нинг предположил, что такая картина характерна для обучения на жанрово-специфичных данных. Впрочем, он же уточнил: Opus 5 всё-таки обобщает знания на Witness — просто в значительно меньшей степени, чем на ARC-AGI-3. Greg Kamradt, один из авторов бенчмарка, возражает: один слабый результат на знакомой механике не перевешивает общего прогресса модели, а Witness сам построен по образцу ARC-AGI-3, так что улучшение там тоже может отражать реальный перенос навыков.

Нинг проводит аналогию с эволюцией кодинг-бенчмарков: сначала модели насыщали HumanEval, затем индустрия перешла к регулярно обновляемым соревнованиям и агентам для реального кода. ARC-AGI-3 как главная цель для интерактивного рассуждения, вероятно, привлечёт наибольшие усилия по обучению — и со временем это должно подтолкнуть модели к более широкому обобщению на абстрактные задачи.

Для разработчиков и исследователей, следящих за прогрессом AGI, результат Opus 5 — значимый сигнал: разрыв между лучшей моделью и остальными на самом сложном публичном бенчмарке рассуждений вырос резко. Насколько это отражает фундаментальный скачок интеллекта, а не умелую оптимизацию под конкретный формат — вопрос, который отрасль будет выяснять на следующих итерациях теста.