La compétition ARC Prize 2025 s'est conclue avec un score Kaggle maximal de 24 % sur le jeu de données privé ARC-AGI-2, tandis que les modèles commerciaux et les solutions de raffinement sur mesure ont obtenu des performances nettement supérieures. L'événement a vu 1 455 équipes soumettre plus de 15 000 entrées et 90 articles de recherche, tous open-source.

  • Le gagnant Kaggle en tête a atteint 24 % de précision pour 0,20 $/tâche ; le modèle commercial vérifié en tête Opus 4.5 a obtenu 37,6 % pour 2,20 $/tâche.
  • La solution de raffinement de Poetiq, basée sur Gemini 3 Pro, a atteint 54 % de précision contre une base de 31 %, pour 30 $/tâche.
  • Le Tiny Recursive Model (TRM) a obtenu 45 % de précision au test sur ARC-AGI-1 avec seulement 7 M de paramètres grâce à l'amélioration récursive.
  • CompressARC a introduit 76 K paramètres et a atteint 20 % sur ARC-AGI-1 en minimisant la longueur de description au moment du test, sans préapprentissage.

L'analyse identifie les boucles de raffinement itératif comme le thème central moteur des progrès vers l'IAG, permettant aux modèles d'optimiser incrémentalement les programmes à partir de signaux de rétroaction plutôt que de dépendre uniquement de réseaux neuronaux statiques.