ARC-AGI từ lâu đã được xem là thước đo cứng nhắc cho "khả năng suy luận tổng quát" của AI – không dựa vào học vẹt, không dựa vào khớp mẫu, mà thuần túy kiểm tra xem mô hình có thể linh hoạt thích ứng với các tác vụ trừu tượng chưa từng thấy hay không.
GPT-5.2 đạt 72% trên ARC-AGI-1 và 18% trên ARC-AGI-2.
Những con số này nói lên điều gì?
72% trên ARC-AGI-1 đã vượt qua đa số các mô hình. Nhưng ARC-AGI-2 mới thực sự là thử thách – độ khó tăng lên nhiều bậc. 18% cho thấy các LLM hiện tại vẫn còn hạn chế khi đối mặt với các tác vụ suy luận trừu tượng hoàn toàn mới, chưa được huấn luyện.
Lấy một phép so sánh: giống như một học sinh đạt điểm cao trong kỳ thi nhưng lại lúng túng trước dạng đề chưa từng gặp. Khoảng cách này phơi bày rõ ràng sự chênh lệch giữa AI "trông có vẻ thông minh" và "trí thông minh tổng quát thực sự".
Thay đổi chiến lược của OpenAI
Xu hướng rõ rệt của GPT-5.2 là tối ưu hóa chi phí. So với thế hệ trước, chi phí gọi API cho cùng một tác vụ đã giảm đáng kể, đồng thời khả năng suy luận lại được nâng lên một tầm cao mới.
OpenAI rõ ràng đang đi theo hai hướng:
- Dòng cao cấp: cạnh tranh về giới hạn năng lực tuyệt đối
- Dòng kinh tế: làm cho các năng lực hiện có trở nên rẻ hơn
Chiến lược này tạo ra sự đối lập thú vị với cách DeepSeek dùng MoE để giảm chi phí. Một bên giảm giá từ trên xuống, một bên nâng năng lực từ dưới lên, và điểm giao nhau cuối cùng có thể là mức giá cân bằng của ngành.
Đối với những người theo dõi tiến trình AGI, 18% trên ARC-AGI-2 là một con số giàu thông tin hơn nhiều so với các điểm số MMLU hay HumanEval – bởi vì nó đo trực tiếp khả năng tổng quát hóa, chứ không phải trí nhớ.
Nguồn tham khảo: CocoLoop, blog chính thức của ARC Prize, báo cáo kỹ thuật của OpenAI