Kompetisi ARC Prize 2025 berakhir dengan skor Kaggle teratas sebesar 24% pada dataset privat ARC-AGI-2, sementara model komersial dan solusi penyempurnaan khusus mencapai kinerja yang jauh lebih tinggi. Acara ini menampilkan 1.455 tim yang mengirimkan lebih dari 15.000 entri dan 90 makalah penelitian, semuanya open-source.

  • Pemenang Kaggle teratas mencapai akurasi 24% dengan biaya $0,20/tugas; model komersial terverifikasi teratas Opus 4.5 mencetak skor 37,6% dengan biaya $2,20/tugas.
  • Solusi penyempurnaan Poetiq yang dibangun di atas Gemini 3 Pro mencapai akurasi 54% dari baseline 31%, dengan biaya $30/tugas.
  • Tiny Recursive Model (TRM) mencapai akurasi uji 45% pada ARC-AGI-1 dengan hanya 7M parameter menggunakan perbaikan rekursif.
  • CompressARC memperkenalkan 76K parameter dan mencapai 20% pada ARC-AGI-1 dengan meminimalkan panjang deskripsi saat pengujian tanpa pra-pelatihan.

Analisis mengidentifikasi loop penyempurnaan iteratif sebagai tema sentral yang mendorong kemajuan AGI, memungkinkan model untuk secara bertahap mengoptimalkan program berdasarkan sinyal umpan balik daripada hanya mengandalkan jaringan saraf statis.