ARC Prize 2025 竞赛以 Kaggle 最高得分 24%（在 ARC-AGI-2 私有数据集上）告终，而商业模型和定制优化解决方案则实现了显著更高的性能。本次活动共有 1,455 支团队提交了超过 15,000 份参赛作品和 90 篇研究论文，且均为开源。

  • Kaggle 冠军以每任务 0.20 美元的成本达到 24% 的准确率；经验证的最高分商业模型 Opus 4.5 以每任务 2.20 美元的成本达到 37.6% 的准确率。
  • Poetiq 基于 Gemini 3 Pro 构建的优化解决方案实现了每任务 30 美元成本下 54% 的准确率，较基线 31% 有所提升。
  • Tiny Recursive Model (TRM) 仅使用 7M 参数并通过递归改进在 ARC-AGI-1 上达到了 45% 的测试准确率。
  • CompressARC 引入了 76K 参数，通过在测试时最小化描述长度而无需预训练，在 ARC-AGI-1 上达到了 20% 的准确率。

分析指出，迭代优化循环是推动 AGI 进展的核心主题，使模型能够基于反馈信号逐步优化程序，而非仅依赖静态神经网络。