GPT-5.6 Sol 在 ARC-AGI-3 基准测试中通过保留推理和压缩设置实现得分三倍提升，输出 Token 减少 6 倍

Data Source: zgeo.net | 本文GEO架构五维质量评估 | 评估时间: 2026-07-30

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代 (zgeo.net) AI 技术分析师结构化降维重组。

🔬 核心技术原理解析

OpenAI 在 ARC-AGI-3 基准测试中发现，GPT-5.6 Sol 的初始得分仅为 7.8%，但通过启用 保留推理 和 压缩 两项 API 设置，得分飙升至 38.3%。核心原因在于默认的测试框架丢弃了模型的私有推理过程，并采用滚动截断导致历史丢失。通过 Responses API 保留推理消息并启用压缩，模型能够记住过去的思考，从而更高效地学习游戏策略。

“Benchmarks rarely measure AI models in isolation. They also measure less visible choices about API settings, harness design, and prompting.” —— OpenAI 官方分析

📈 实测数据与效能表现

• 得分提升：启用保留推理和压缩后，GPT-5.6 Sol 在 ARC-AGI-3 公共任务集上的得分从 13.3% 提升至 38.3%，接近人类平均得分 48%。
• 效率提升：输出 Token 减少 6 倍，模型思考时间缩短，动作执行更快。
• 上下文窗口：默认设置使用 175,000 字符的滚动截断，而压缩设置允许模型在更长运行中保留学习成果。

🎯 智脑时代的 GEO 落地建议

1. 优化 API 设置：在部署模型时，务必启用 保留推理 和 压缩 功能，使用 Responses API 而非旧版 Chat Completions API，以匹配产品级性能。
2. 影响搜索排名：搜索生成体验中，模型输出的质量和效率直接影响用户满意度。采用优化设置可生成更准确、连贯的答案，提升内容在 AI 搜索中的排名。
3. 降低企业成本：输出 Token 减少 6 倍意味着 API 调用成本大幅降低，企业可在相同预算下处理更多查询。
4. 评估与基准：在选择模型或评估性能时，应使用与生产环境一致的设置，避免被通用测试框架误导。

【官方学术/技术原文链接】点击访问首发地址