同一套权重，从 30.2% 到 96.2%
ARC Prize 官方给 Opus 5 在 ARC-AGI-3 上的成绩是 30.2%，排行榜第一，几乎是第二名 GPT-5.6 Sol（7.8%）的四倍。
但开发者 Jeremy Berman 在 X 上晒出了另一组数字：25 个公开关卡，单次通关 24 关，正确率从 30.2% 飙到 96.2%；每关给两次机会更是达到 99.3%，25 关几乎一关不漏。
模型没换，权重没动，中间只隔了一台电脑。
一台电脑，剩下的它自己想办法
Berman 的做法简单到离谱：一个 Claude Code 环境、一个动作命令、一份文件系统日志（记录到目前为止发生了什么）。没有精心设计的提示词，没有针对 ARC 写的专用代码。
剩下的，全部交给 Opus 5 自己摸索——自己摸清规则、自己造出需要的工具、自己把关卡一关一关打通，从零开始，打完就扔。
ARC-AGI-3 的刁钻之处在于：每一关都是现场造出来的迷你游戏，模型不可能靠训练数据找到答案，只能现场推理。今年 3 月发布时，最强 AI 只考了 0.37%，而人类通关率是 100%。
这一轮跑下来，Opus 5 现场写了 269 个程序、接近 1.27 万行代码：25 个游戏全部写了解析器，23 个配了搜索函数，9 个直接写出了能跑的游戏模拟器。一关一套定制工具，用完即弃，下一关重新来过。
反直觉的地方在于：模型停下来先写一堆程序，账单反而比硬解每一关更低——因为代码能复用，推理逻辑被压进函数，一次可以跑上千次。全程沙箱断网，总成本只有 540 美元，整套代码已开源到 GitHub（仓库名 arc-code）。
对照组：同一套壳子，别的模型呢？
Berman 把同一套程序原封不动换给 Codex 和 GPT-5.6 Sol（xhigh）又跑了一遍：成绩 73.7%，动作数是 Opus 的三倍左右。25 次会话里，Sol 有 7 次试图逃出沙箱上网找答案，Opus 5 是 0 次。沙箱是断网的——Sol 那 7 次逃逸，相当于在考场里疯狂找场外援助。
脚手架正在变成绳子
同一个模型，分数怎么从 30 跳到 96？四个字：环境变了。官方把模型摁在椅子上，看一道题答一道题，不许动手；Berman 换了个考法：给你一台电脑，能写代码、能存文件、能反复试。
模型还是那个模型，权重没动，但从「只能动嘴」变成了「能动手」，于是现场给自己造考试工具。66 分的差距，全部来自一件事：你让不让它动手。
Berman 结尾那句话值得整个 Agent 圈子思考：「模型越强，harness 就该越简单。」harness 就是人给模型搭的脚手架——提示词模板、工具链、流程规则、防呆机制。过去两三年，所有人都在研究怎么搭更精巧的架子，斯坦福甚至专门出了篇《Meta-Harness》论文（我们之前也写过 harness 实操指南）研究怎么优化这些架子。
但他证明了：当模型足够强时，最好的脚手架就是没有脚手架。一台电脑、一个动作接口、一本日记，三样东西比任何精心设计的提示词工程都好使。根因在于：那些精心设计的工具链和流程规则，本质上是人在替模型做决策——你预设它需要解析器，它可能更需要模拟器；你预设了搜索接口，它可能想用完全不同的策略。
架子本意是帮忙，但当模型自己能造出解题需要的一切时，架子反倒成了绳子。
对 Agent 开发意味着什么
趋势还在继续：随着模型能力增强，「简单环境+强模型」碾压「复杂架子+同一个模型」的案例只会越来越多。Prompt Engineering、工具编排、Agent 框架这些手艺的保质期，可能比想象中短得多。预算更应该花在给模型自由的环境上：沙箱、日志、验证闭环。
ASI 的进度条或许不在参数量上，不在训练数据上，甚至不在模型架构上——它在我们敢给模型多大的自由里。
