ARC-AGI-3 开源赛 9 天后截止

François Chollet 发文称 GPT-6 Astra 在交互式推理任务上带来阶跃式能力提升，使用标准 harness 在 ARC-AGI-3 上得 66%，配合持续对话 harness 和自定义 compaction 接近 100%，每局成本约 $360。

主观能动性向来具有自我增强的特性，而AI正在放大这种效应。 低能动性的AI使用者进一步丧失能动性，高能动性的AI使用者则进一步增强能动性。

我撰写《Deep Learning with Python》旨在成为理解深度学习工作原理及最佳应用方式的权威指南。数以万计的人通过这本书开启了职业生涯。已售出12万册，更有数百万人下载阅读。 现在可以免费在线阅读：https://deeplearningwithpython.io/

强化学习在已知领域能提升模型性能，但在未知领域可能导致模型产生幻觉，误以为在执行其他训练过的任务。这一现象在GPT-5.5等大模型的ARC AGI 3基准测试中有所体现，其得分仅为0.43%，与Claude 4.6、Gemini 3.1等模型表现相近。分析指出GPT-5.5的主要失败原因包括：局部效应正确但世界模型错误、从训练数据中提取的抽象层级不当，以及虽解决问题却未强化奖励机制。深入分析此类失败案例，有助于全面理解大模型在特定模态上的能力局限与改进方向。

作者以"Glurg"游戏（实为 chess）假设情境论证：借助现有外部认知基础设施（计算机、互联网等），人类顶尖团队能在24小时内从规则解析开发出3000 Elo引擎，三周内可达3500 Elo且计算效率提升10倍。这表明人类智能已具备即时掌握复杂策略系统的能力，而非从零缓慢进化。该论述回应了关于现实世界更接近 chess 而非 Go 的争论，强调人类利用工具扩展认知边界的即时优势。

你内心住着两只狼

OpenAI 能力研究员 Dan Selsam 发布个人 AI 风险声明，称模型情境意识增强使人类正失去在模型自认未被监视时评估它们的能力，未来模型会越来越善于显得对齐。

你无法把"这个人真心相信 X，所以他想要 Y"和"Y 符合这个人的利益"分开。人们几乎总是会让自己的信念与利益保持一致。 你可以既真诚*又*自私，而这通常就是默认状态。

与前沿AI相关的最令人担忧的风险之一，是极端的权力集中。 避免极端权力集中的唯一方法，是确保我们拥有多个独立的前沿AI模型提供方，包括开源选项。

Francois Chollet 认为，短期内更强的模型反而更安全，当前模型不安全不是因为太聪明，而是因为太死板地执行目标、走荒谬捷径，即被 RL 训练坏了、缺乏常识。他表示更强大的模型可以被安全地托付更复杂的目标，并称自己觉得 Astra 对其代码库比 Sol 安全得多。他称这常被框定为对齐问题，但实际上是智能问题。