Bir yapay zekâ, kuralları anlatılmayan bir oyunda ne yapacağını nasıl bulur? ARC Prize’ın 3 Eylül 2026 değerlendirmesi, GPT-6 Astra’nın ARC-AGI-3’teki başarısına bakarken bu soruya sayılarla yaklaşıyor. Sonuçları anlamak için puan kadar testin nasıl kurulduğu da önemli.
Önce oyunun kuralları
ARC-AGI-3, araştırmacıların hazırladığı soyut, sıra tabanlı ortamlardan oluşuyor. Sistem hedefi ve kuralları hazır almıyor; ortamı keşfedip tepkilerden çıkarım yapıyor. Test, bu sınırlı ortamlarda keşif ve planlamayı inceliyor.
İnsanlar için yüzde 100 çözülebilirlik, her kişinin bütün oyunları çözdüğü anlamına gelmiyor. Araştırmacıların açıklamasına göre her ortamı test grubundan en az iki kişi tamamladı. Puanlama ise tamamlamanın yanında insan referansına göre kaç eylem gerektiğini de dikkate alıyor.
Aynı model, iki düzenek
ARC Prize, yarı özel testte Astra için standart düzende yüzde 62,7; sağlayıcının bağlam yönetimi özelliklerini kullanan ayrı düzende yüzde 99,9 bildirdi. Bunlar farklı düşünme ayarlarıyla elde edilmiş en iyi sonuçlar. İkinci düzenek, istekler arasında daha fazla iç bağlamın korunmasına izin veriyor; bu nedenle iki sayıyı tek bir koşulun sonucu gibi okumamak gerekiyor.
Kuruluş ayrıca ikinci düzende, maksimum düşünme ayarındaki modelin seviyelerin yüzde 96’sında insan referansından daha az eylem kullandığını belirtiyor. Bu karşılaştırma testteki eylem verimliliğiyle ilgili; insanların bütün becerileriyle ilgili değil.
Bir puanın sınırı
ARC-AGI-3’ün oyunları belirli ve kapalı kurallara sahip. Bu yüzden güçlü bir sonuç, modelin her yeni gerçek dünya görevini bağımsız yapabildiğini ya da genel zekâya ulaşıldığını tek başına kanıtlamaz. Bir sonraki puanı gördüğümüzde üç küçük soru işimize yarar: Hangi test, hangi düzenek ve hangi insan ölçüsü?
