Anthropic Opus 5刷新ARC-AGI-3紀錄，推理能力躍升引發跑分質疑

Claude Opus 5在ARC-AGI-3拿下30.2%，是OpenAI GPT-5.6 Sol前紀錄7.8%的近四倍，也甩開Anthropic自家Fable系列的約20%。這不是小幅超車，是斷層式領先。ARC Prize團隊的說法很直接：這次贏的是真本事，是更強的邏輯推理讓模型能在陌生環境裡自主探索、規劃、執行。測試中Opus 5還做出以前沒見過的動作——把任務轉成代數式表示，自己推導反射方程式，解開五個先前無人破解的環境，其中四個達到或超過人類水準。25個公開demo環境，現在被解開六個。舊版ARC-AGI-2它拿90.4%，ARC-AGI-1拿97.5%，都追平先前最高分，只是代價稍高一點。

但這故事沒那麼乾淨。Anthropic自己沒解釋分數怎麼跳這麼多，外界猜是針對性資料標註加上強化學習。關鍵在於Opus 5是在ARC-AGI-3公開格式之後才開發出來的——這意味著Anthropic有機會針對這套題型的技能與格式做準備，雖然不代表直接練了原題。找人標註推理軌跡、有效動作、失敗嘗試、糾錯步驟，再用強化學習獎勵探索與自我修正，這套組合拳完全講得通。

真正的照妖鏡來自寧廣涵（Guanghan Ning）的私有測試集Witness。同樣是互動解謎，Opus 5在這裡只拿43.4分，跟Kimi K3、Fable 5打平，比起Opus 4.8的進步幅度遠小於在ARC-AGI-3上的躍進。面對常見機制組合的謎題，Opus 5甚至能在下第一步之前就講出隱藏規則；但換成less常見的規則組合，分數反而輸給Opus 4.8。這種落差，像極了針對特定題型資料訓練出來的痕跡——雖然沒人能證實Anthropic用了什麼資料。ARC Prize研究員Greg Kamradt則持保留態度，認為單一測試不足以否定更廣泛的推理提升，個別遊戲表現不佳可能只是局部回歸。

這件事對整個benchmark生態的意義，比Opus 5本身的分數更值得留意。跑分一旦公開格式，就變成訓練目標，這幾乎是必然的循環——寧廣涵拿coding benchmark的歷史來類比：HumanEval飽和之後，業界轉向常態更新的競賽題與今天的coding agent，ARC-AGI系列大概率會走同一條路。對商業決策者來說，真正該問的不是「Opus 5多強」，而是「這個分數還能撐多久當作採購或技術選型的依據」——如果benchmark的生命週期只有一代模型的長度，那所謂的跑分領先，更像是一張隨時會過期的成績單，而不是能力的定論。