Ein Spiel beginnt ohne Anleitung: Wie findet ein KI-System heraus, welche Regeln gelten und welches Ziel es verfolgen soll? Genau solche Aufgaben untersuchte ARC Prize in seiner Auswertung vom 3. September 2026 zu GPT-6 Astra. Für die Einordnung lohnt sich ein Blick auf den Aufbau hinter den Zahlen.
Was wird getestet?
ARC-AGI-3 besteht aus abstrakten, rundenbasierten Umgebungen. Ein System erkundet sie, erschließt Regeln und Ziele und plant seine Schritte. Gemessen werden diese Fähigkeiten innerhalb eines klar begrenzten Testbereichs.
Dass die Umgebungen für Menschen zu 100 Prozent lösbar sind, heißt nicht, dass jede Person jedes Spiel geschafft hat. Laut der Untersuchung des menschlichen Vergleichswerts schlossen mindestens zwei Personen jede Umgebung ab. In die Bewertung fließt außerdem ein, wie viele Aktionen im Vergleich zum menschlichen Referenzwert nötig waren.
Zwei Aufbauten, zwei Ergebnisse
Für den halbprivaten Testsatz meldete ARC Prize Astras besten Wert im Standardaufbau mit 62,7 Prozent; mit einem separaten Anbieteradapter waren es 99,9 Prozent. Die jeweiligen Bestwerte entstanden mit unterschiedlichen Denkstufen. Der Adapter erhält zwischen Anfragen mehr internen Kontext. Die Zahlen beschreiben daher unterschiedliche Bedingungen.
Im Adapteraufbau benötigte Astra bei maximaler Denkstufe laut ARC Prize auf 96 Prozent der Spielstufen weniger Aktionen als der menschliche Referenzwert. Das ist ein Vergleich der Aktionseffizienz in diesen Spielen, keine Bewertung aller menschlichen Fähigkeiten.
Die Grenze des Vergleichs
Die Testumgebungen haben begrenzte, abgeschlossene Regeln. Ein gutes Ergebnis beweist deshalb für sich genommen weder allgemeine künstliche Intelligenz noch die selbstständige Bewältigung jeder unbekannten Aufgabe im Alltag. Bei der nächsten Schlagzeile helfen drei Fragen: Welcher Test, welcher Aufbau und welcher menschliche Vergleichswert?
