ARC Prize 2026：TUFA Labs 以 88.06% 登顶 ARC-AGI-2 高分榜

ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC-AGI (Verified) 的成绩：ARC-AGI-2 得分 72.9%，每任务成本 $0.13；ARC-AGI-1 得分 94.5%，每任务成本 $0.07。相比 V4 Flash 的最佳成绩，ARC-AGI-1 高 5.5 分，ARC-AGI-2 高 11.5 分，但每任务成本高约 250%。

https://www.kaggle.com/competitions/arc-prize-2026-arc-agi-2/leaderboard

https://www.kaggle.com/competitions/arc-prize-2026-arc-agi-3/leaderboard

新的 ARC Prize 2026 - ARC-AGI-3 高分 Yi-Chia Chen 取得 59.17% 他们已超越 @tufalabs

@SpaceXAI Grok 4.7 的推理 token 用量与其 ARC-AGI-2 公开得分相关：low 档平均每次测试对尝试用 10k token，得分 25%；而 medium 到 xhigh 档用 86k 到 120k token，得分 57.5% 到 60%。low 档更低的 token 用量可能有助于解释其更低的得分。

@SpaceXAI - 排行榜：https://arcprize.org/leaderboard - 复现公开结果：https://github.com/arcprize/arc-agi-benchmarking - 测试政策：https://arcprize.org/policy - Grok 4.7 完整结果：https://arcprize.org/results/xai-grok-4-7

@SpaceXAI 在 ARC-AGI-3 上，Grok 4.7 在标准测试框架中得分 1.8%（Grok 4.7 为 2.1%），该框架允许模型在轮次之间保留笔记；在新的提供商适配器框架中得分 10.0%，该框架保留不透明推理并启用自动压缩。

Grok 4.7 在 ARC-AGI-2 semi-private 任务的中、高、xhigh 推理档位上平均消耗的 reasoning token 均多于 Grok 4.6，导致每任务成本更高。

@SpaceXAI 在 ARC-AGI-2 上，Grok 4.7 的最佳得分为 61.4%，每任务成本 $2.01，而 Grok 4.6 为 67.1%，每任务成本 $0.76——尽管输入和输出 token 定价完全相同，每任务成本仍上涨了 166%。 完整结果：https://arcprize.org/results/xai-grok-4-7

ARC Prize 公布 Grok 4.7 在 ARC-AGI (Verified) 上的成绩：ARC-AGI-3 为 1.8%（$2.7k，标准 harness），用 provider adapter harness 为 10.0%（$4.8k）；ARC-AGI-2 为 61.4%（$2.01/task）；ARC-AGI-1 为 90.2%（$0.64/task）。与 Grok 4.6 相比，Grok 4.7 在 ARC-AGI-1 上更高，但在 ARC-AGI-2 和 …