A competição ARC Prize 2025 foi concluída com uma pontuação máxima no Kaggle de 24% no conjunto de dados privado ARC-AGI-2, enquanto modelos comerciais e soluções de refinamento sob medida alcançaram desempenho significativamente superior. O evento contou com 1.455 equipes enviando mais de 15.000 entradas e 90 artigos de pesquisa, todos open-source.

  • Vencedor do Kaggle atingiu 24% de precisão por $0,20/tarefa; o modelo comercial verificado mais bem avaliado, Opus 4.5, obteve 37,6% por $2,20/tarefa.
  • A solução de refinamento da Poetiq, baseada no Gemini 3 Pro, alcançou 54% de precisão por $30/tarefa, um aumento em relação à linha de base de 31%.
  • O Tiny Recursive Model (TRM) atingiu 45% de precisão no teste do ARC-AGI-1 com apenas 7M de parâmetros usando melhoria recursiva.
  • CompressARC introduziu 76K parâmetros e alcançou 20% no ARC-AGI-1 ao minimizar o comprimento da descrição no momento do teste, sem pré-treinamento.

A análise identifica loops de refinamento iterativo como o tema central que impulsiona o progresso da AGI, permitindo que os modelos otimizem incrementalmente programas com base em sinais de feedback, em vez de depender exclusivamente de redes neurais estáticas.