How enabling two settings tripled our scores on the ARC-AGI-3 benchmark

OpenAI 官方博客披露，在未进行任何底层模型改动的情况下，仅通过优化 API 调用策略，就显著提升了 GPT-5.6 在 ARC-AGI-3 二维解谜基准上的表现。该基准此前曾让 GPT-5.6 Sol 的得分低至 7.8%，而更早的 GPT-5.5 仅获 0.4%，一度引发外界对模型解谜能力的质疑。OpenAI 团队调查后发现，问题并非出在模型本身，而是基准测试中那些不易察觉的 API 设置与测试框架设计 [来源：openai.com]。

突破的关键在于 Responses API 中两项新功能的组合运用。第一项是“保留推理”，它允许模型在多轮交互中持续保留有用的推理过程，避免重复思考；第二项是“推理压缩”，能将冗长的推理链条压缩为简洁形式，同时不丢失关键上下文。两者配合，使模型在复杂任务中既能保持思考的连贯性，又能大幅削减冗余输出。根据 OpenAI 公布的数据，启用这两项设置后，GPT-5.6 不仅准确率翻了三倍，输出 Token 用量也降至原来的约六分之一，实现了准确性与效率的双重提升 [来源：explainx.substack.com]。

这一结果也引发了行业对基准测试评估方式的反思。有观点指出，此前 Anthropic 发布的 ARC-AGI-3 成绩，在 OpenAI 的优化成果面前显得黯然失色，这凸显了测试框架本身对模型能力展现的巨大影响 [来源：startupfortune.com]。OpenAI 的实践表明，评估 AI 能力时，不能只看模型参数或训练数据，API 设置、提示词工程等“非模型因素”同样至关重要。这些发现为开发者提供了新的优化思路：在不增加训练成本的前提下，通过精细化的推理管理即可挖掘出模型更大的潜力。