ဆက်တင်နှစ်ခုဖွင့်၍ ARC-AGI-3 အမှတ် သုံးဆတိုးခဲ့ပုံ

GPT‑5.6 Sol က ARC-AGI-3⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) စံနှုန်းစမ်းသပ်မှုတွင် အမှတ်နည်းနေသည်ကို ပထမဆုံးတွေ့ရချိန်၌ ကျွန်ုပ်တို့ နားမလည်နိုင်ဖြစ်ခဲ့သည်။

GPT‑5.6 Sol သည် သင်္ချာလောက၏ နှစ်ပေါင်းများစွာ မဖြေရှင်းနိုင်သေးသော cycle double cover conjecture⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ကဲ့သို့ ပြဿနာများကို ဖြေရှင်းခဲ့ပြီး Pokémon FireRed ကဲ့သို့ ဂိမ်းများကိုလည်း အနိုင်ယူခဲ့သည်။ သို့သော် 2D ပဟေဠိဂိမ်းများကို စမ်းသပ်သည့် ARC-AGI-3 တွင် GPT‑5.6 Sol က 7.8% သာ ရရှိခဲ့ပြီး GPT‑5.5 ကမူ ဂိမ်းများကို မကစားနိုင်သလောက်ဖြစ်ကာ 0.4% မျှသာ ရရှိခဲ့သည်။

2D ပဟေဠိဂိမ်းများက ကျွန်ုပ်တို့၏ မော်ဒယ်များအတွက် ထူးထူးခြားခြား ခက်ခဲနေခဲ့သလား။ သို့မဟုတ် အခြားအကြောင်းတစ်ခုခု ရှိနေခဲ့သလား။

စံနှုန်းစမ်းသပ်မှုများသည် AI မော်ဒယ်များကို သီးခြားသက်သက် တိုင်းတာလေ့မရှိပါ။ ၎င်းတို့သည် API ဆက်တင်များ၊ အကဲဖြတ်စမ်းသပ်မှု စနစ် ဒီဇိုင်းနှင့် prompt ရေးသားပုံတို့ဆိုင်ရာ မမြင်သာသော ရွေးချယ်မှုများကိုလည်း တိုင်းတာသည်။ ARC-AGI-3 တွင် ChatGPT နှင့် Codex ၌ ကျွန်ုပ်တို့အသုံးပြုသည့် API ဆက်တင်နှစ်ခု—ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အချက်အလက်များကို ထိန်းသိမ်းခြင်းနှင့် အကျဉ်းချုံ့ခြင်း—ကို ဖွင့်လိုက်ရာ အများသုံးလုပ်ဆောင်ချက်အစုံ၌ အမှတ် သုံးဆတိုးပြီး အထွက်တိုကင် ခြောက်ဆလျော့သွားကြောင်း တွေ့ရှိခဲ့သည်။

ARC-AGI-3 သည် AI အေးဂျင့်များ၏ သင်ယူနိုင်စွမ်းနှင့် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော စွမ်းရည်ကို တိုင်းတာရန် ဖန်တီးထားသော စံနှုန်းစမ်းသပ်မှုဖြစ်သည်။ အေးဂျင့်များသည် အကျွမ်းတဝင်မရှိသော 2D ဂိမ်းများကို လေ့လာစူးစမ်းပြီး ရှင်းလင်းသော ညွှန်ကြားချက်မရှိဘဲ ဂိမ်း၏ လုပ်ဆောင်ပုံကို ကောက်ချက်ချရသည်။ သရုပ်ပြဂိမ်း 25 ခုကို arcprize.org/tasks⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) တွင် ကစားနိုင်သည်။

ARC-AGI-3 သည် ကိရိယာများ သို့မဟုတ် အထူးလုပ်ဆောင်ချက်များ မပါသည့် ယေဘုယျ အကဲဖြတ်စမ်းသပ်မှု စနစ်ကို ရည်ရွယ်ချက်ရှိရှိ အသုံးပြုထားသည်။ ရိုးရှင်းသော အကဲဖြတ်စမ်းသပ်မှု စနစ်က မော်ဒယ်၏ အားနည်းချက်များကို ပိုမြင်သာစေပြီး မော်ဒယ်များကို ပိုမျှတစွာ နှိုင်းယှဉ်နိုင်စေသည်ဟု ARC က ယူဆခဲ့သည်။ ယင်းနှင့်မတူဘဲ စီးပွားဖြစ်ဆော့ဖ်ဝဲ ရေးသားသူများက မော်ဒယ်တစ်ခုစီ၏ လုပ်ဆောင်ချက်များနှင့် ထူးခြားချက်များနှင့် ကိုက်ညီအောင် အကဲဖြတ်စမ်းသပ်မှု စနစ်များကို အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ကြသည်။

ဂိမ်းကစားရာတွင် GPT‑5.6 Sol သည် ရုပ်ပုံမြင်ကွင်းသာသုံးသော အကဲဖြတ်စမ်းသပ်မှု စနစ်ဖြင့် Pokémon FireRed ကို (GPT_Plays_Pokemon⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) က တိုက်ရိုက်ထုတ်လွှင့်ခဲ့သည့်အတိုင်း)၊ Codex ကွန်ပျူတာအသုံးပြုမှုဖြင့် Slay the Spire ကို (EpochAI⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) က တိုက်ရိုက်ထုတ်လွှင့်ခဲ့သည့်အတိုင်း)၊ Baba Is You ၏ ပထမအဆင့်များကို (Piotr Migdał & Piotr Grabowski⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) မျှဝေခဲ့သည့်အတိုင်း) အနိုင်ယူခဲ့သည်။ ARC-AGI-3 က ဘာကြောင့် ဤမျှကွာခြားနေခဲ့သနည်း။

GPT‑5.5 ၏ အားနည်းချက်များအပေါ် ARC ၏ သုံးသပ်ချက်⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)မှ အကြံရကာ GPT‑5.6 Sol ၏ ကြိုးပမ်းမှုအချို့ကို ကျွန်ုပ်တို့ စစ်ဆေးခဲ့သည်။ ARC ကဲ့သို့ပင် မော်ဒယ်က သိပ်ထက်မြက်ပုံမရကြောင်း ကျွန်ုပ်တို့ တွေ့ခဲ့သည်။ လုပ်ဆောင်ချက်တစ်ခုစီအတွက် အချိန်များစွာယူပြီး ရှေ့ဆက်နိုင်ရန် ခက်ခဲနေခဲ့သည်။

သို့သော် ပိုမိုနက်ရှိုင်းစွာ စစ်ဆေးသောအခါ မော်ဒယ်၏ ရှုပ်ထွေးမှုအများစုမှာ မော်ဒယ်ကိုယ်တိုင်၏ ပင်ကိုပြဿနာမဟုတ်ဘဲ အကဲဖြတ်စမ်းသပ်မှု စနစ်ရှိ ဆက်တင်များကြောင့်ဖြစ်ကြောင်း တွေ့ရှိခဲ့သည်။

ပထမဦးစွာ ဂိမ်းလုပ်ဆောင်ချက်တစ်ခုစီပြီးတိုင်း သီးသန့် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အချက်အလက်အားလုံးကို ဖယ်ရှားပစ်ကြောင်း သတိပြုမိခဲ့သည်။ ထို့ကြောင့် GPT‑5.6 Sol သည် လုပ်ဆောင်ချက်တစ်ခုစီတိုင်း၌ ယခင်စဉ်းစားထားသည်များကို မမှတ်မိနိုင်ဘဲ ဂိမ်းကို အစမှပြန်လည်ဖော်ထုတ်နေရသည်။ မော်ဒယ်သည် ယခင်ရွှေ့ကွက်မှတ်တမ်းနှင့် အကျဉ်းချုံးမှတ်စုများကို မြင်နိုင်သေးသော်လည်း ထိုရွှေ့ကွက်များဆီ ဦးတည်စေခဲ့သည့် အစီအစဉ်များ၊ သဘောပေါက်မှုများ သို့မဟုတ် အတွေးများကို မမြင်နိုင်ပါ။

ဒုတိယအနေဖြင့် အကဲဖြတ်စမ်းသပ်မှု စနစ်က ရွေ့လျားဖြတ်တောက်သည့် window ကို အသုံးပြုသောကြောင့် မှတ်တမ်းရှည်လာသည်နှင့်အမျှ အစောပိုင်းလုပ်ဆောင်ချက်များ မမြင်ရတော့ကြောင်း တွေ့ခဲ့သည်။ ထို့ကြောင့် GPT‑5.6 Sol သည် ယခင်အတွေးများကို မမှတ်မိနိုင်ရုံသာမက ယခင်လုပ်ဆောင်ချက်များကိုပါ မေ့လျော့လာသည်။

ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အချက်အလက်များကို ဖယ်ရှားခြင်းနှင့် ရွေ့လျားဖြတ်တောက်ခြင်းဟူသော အကဲဖြတ်စမ်းသပ်မှု စနစ်၏ လုပ်ဆောင်ချက်နှစ်ခုက GPT‑5.6 Sol သည် အချိန်ကြာလာသည်နှင့်အမျှ သင်ယူရန် ခက်ခဲရသည့်အကြောင်းကို ရှင်းပြပေးသည်။

ကျွန်ုပ်တို့၏ မော်ဒယ်များကို ပြန်စာ သို့မဟုတ် ကိရိယာခေါ်ယူမှု မထုတ်ပေးမီ သီးသန့် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော မက်ဆေ့ချ်များဖြင့် စဉ်းစားရန် လေ့ကျင့်ထားသည်။ ဤသီးသန့် အတွေးမက်ဆေ့ချ်များကို စကားပြောမှတ်တမ်း၏ တစ်စိတ်တစ်ပိုင်းအဖြစ် ထိန်းသိမ်းထားသည်။ စကားပြောဆိုမှု အလွန်ရှည်လာပါက အကျဉ်းချုပ်ပြီး ဆက်လက်လုပ်ဆောင်သည်။

ဤနည်းဖြင့်ပင် ကျွန်ုပ်တို့၏ မော်ဒယ်များကို လေ့ကျင့်ထားပြီး ChatGPT နှင့် Codex တို့တွင်လည်း ဖြန့်ချိအသုံးချထားသည်။ ကျွန်ုပ်တို့၏ ထုတ်ကုန်ပတ်ဝန်းကျင်နှင့် ပိုမိုကိုက်ညီစေရန် ARC-AGI-3 အကဲဖြတ်စမ်းသပ်မှု စနစ်ကို ကျွန်ုပ်တို့၏ Responses API⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ဖြင့် အကောင်အထည်ဖော်ခဲ့သည်။ ကျွန်ုပ်တို့၏ API က context ကို လွယ်ကူစွာ စီမံနိုင်စေသည်။ GPT‑5.6 အတွက် ယခင်တုံ့ပြန်မှု ID ကို ပေးပို့လိုက်ရုံဖြင့် ကိရိယာခေါ်ယူမှုများနှင့် အလှည့်များတစ်လျှောက် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အချက်အလက်များကို အလိုအလျောက် ထိန်းသိမ်းပေးသည်။

ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အချက်အလက်များကို ထိန်းသိမ်းထားသောအခါ အဓိကပြောင်းလဲမှုနှစ်ခုကို သတိပြုမိခဲ့သည်။ ပထမအချက်မှာ GPT‑5.6 Sol သည် အလှည့်တိုင်း၌ ဂိမ်းကို အစမှပြန်လည်နားလည်ရန် မလိုတော့သဖြင့် လုပ်ဆောင်ချက်တစ်ခုစီမတိုင်မီ စဉ်းစားချိန် ပိုနည်းလာသည်။ ဒုတိယအချက်မှာ ယခင်အတွေးများကို မှတ်မိနိုင်သောအခါ GPT‑5.6 Sol သည် အချိန်နှင့်အမျှ ပိုကောင်းစွာ သင်ယူနိုင်ပြီး တစ်သမတ်တည်းဖြစ်သော နည်းဗျူဟာများကို အသုံးချနိုင်လာသည်။

နောက်ထပ်တိုးတက်မှုမှာ ရွေ့လျားဖြတ်တောက်ခြင်းအစား Responses API ၏ နောက်ထပ်ဆက်တင်တစ်ခုဖြစ်သော အကျဉ်းချုံ့ခြင်း⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)ကို အသုံးပြုခြင်းမှ ရရှိခဲ့သည်။

ARC-AGI-3 အကဲဖြတ်စမ်းသပ်မှု စနစ်သည် context ကန့်သတ်ချက်များကို ရွေ့လျားဖြတ်တောက်ခြင်းဖြင့် ဖြေရှင်းသည်။ စကားပြောဆိုမှု context သည် စာလုံးရေ 175,000 ကျော်လွန်သောအခါ အစောဆုံးမက်ဆေ့ချ်များကို ဖယ်ရှားပစ်သည်။

ရွေ့လျားဖြတ်တောက်ခြင်းတွင် အားနည်းချက်နှစ်ခုရှိသည်။ ပထမအချက်မှာ မော်ဒယ်က အစောပိုင်း လေ့လာတွေ့ရှိချက်များနှင့် လုပ်ဆောင်ချက်များကို မေ့သွားသည်။ ဒုတိယအချက်မှာ လုပ်ဆောင်ချက်အများစုကို ပြည့်လုနီးပါးဖြစ်နေသော context window ဖြင့် လုပ်ဆောင်ရသဖြင့် စွမ်းဆောင်ရည် အနည်းငယ်ကျဆင်းနိုင်သည်။

ARC-AGI-3 တွင် အကျဉ်းချုံ့ခြင်းကို ဖွင့်လိုက်သည့်အခါ GPT‑5.6 Sol သည် ဂိမ်းတစ်ခုစီအကြောင်း သင်ယူထားသမျှကို ကြာရှည်သည့် လုပ်ဆောင်မှုများတစ်လျှောက် ပိုကောင်းစွာ ထိန်းသိမ်းနိုင်ပြီး အထွက်တိုကင် နည်းနည်းဖြင့် အမှတ်ပိုမြင့်စွာ ရရှိခဲ့သည်။

ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အချက်အလက်များကို ထိန်းသိမ်းခြင်းနှင့် အကျဉ်းချုံ့ခြင်းဖွင့်ထားခြင်း၏ အကျိုးသက်ရောက်မှုကို ဖော်ပြရန် GPT‑5.6 Sol က အကဲဖြတ်စမ်းသပ်မှု စနစ်တစ်ခုစီဖြင့် ARC-AGI-3 ပဟေဠိများကို ဆက်တိုက်ဖြေရှင်းစဉ် ၎င်း၏ 175K context window အသုံးပြုပုံ animation ကို ဖော်ပြထားသည်။

ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အချက်အလက်များကို ထိန်းသိမ်းခြင်းနှင့် အကျဉ်းချုံ့ခြင်းကို တွဲသုံးခြင်းဖြင့် GPT‑5.6 Sol (max) သည် အထွက်တိုကင် ခြောက်ဆနည်းနည်းဖြင့် အမှတ် သုံးဆခန့် ရရှိနိုင်သည်။

ဤစမ်းသပ်မှုများက အကဲဖြတ်ချက်များသည် မော်ဒယ်များကို သီးခြားသက်သက် တိုင်းတာခဲကြောင်း သတိပေးနိုင်မည်ဟု မျှော်လင့်သည်။ ၎င်းတို့သည် API ဆက်တင်များ၊ အကဲဖြတ်စမ်းသပ်မှု စနစ် ဒီဇိုင်းနှင့် prompt ရေးသားပုံတို့ဆိုင်ရာ မမြင်သာသော ရွေးချယ်မှုအစုအဝေးကိုပါ တိုင်းတာသည်။ အများသုံးစံနှုန်းစမ်းသပ်မှုတွင် အမှတ်နည်းသည်ကို အံ့ဩခဲ့ပြီးနောက် အကဲဖြတ်မှု လုပ်ဆောင်စနစ်က ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော မက်ဆေ့ချ်များကို ဖယ်ရှားသည့် ယေဘုယျ အကဲဖြတ်စမ်းသပ်မှု စနစ်ကို သုံးနေကြောင်း တွေ့ရှိခဲ့ရသည်မှာ ဤတစ်ကြိမ် ပထမဆုံးမဟုတ်ပါ။

စွမ်းဆောင်ရည်ကို အမြင့်ဆုံးမြှင့်တင်လိုသော API ဆော့ဖ်ဝဲရေးသားသူဖြစ်ပါက ကျွန်ုပ်တို့၏ ထုတ်ကုန်များတွင် အသုံးပြုထားသည့် အောက်ပါဆက်တင်များကို အသုံးပြုရန် အကြံပြုသည်—

• အစဉ်အလာ စကားပြောပြီးဆုံးခြင်း API အစား ကျွန်ုပ်တို့၏ Responses API ကို သုံးပါ
• reasoning ကိုထိန်းသိမ်းပါ
• အကျဉ်းချုံ့ခြင်းကို အသုံးပြုပါ

မော်ဒယ်များကို နှိုင်းယှဉ်ပါက ChatGPT နှင့် Codex တို့၏ လက်တွေ့အသုံးပြုမှုနှင့် အနီးစပ်ဆုံးဖြစ်သော အထက်ပါဆက်တင်များသုံးသည့် အကဲဖြတ်ချက်များကို အားကိုးရန် အကြံပြုသည်။

AGI အကဲဖြတ်မှုအတွက် ARC က နှစ်ပေါင်းများစွာ တီထွင်ဖန်တီးလုပ်ဆောင်ခဲ့ခြင်းနှင့် ဤအကြောင်းအရာကို ပိုမိုအသေးစိတ်လေ့လာရန် လှုံ့ဆော်ပေးခဲ့သည့် ၎င်းတို့၏ သုံးသပ်ချက်အတွက် ကျေးဇူးတင်ပါသည်။

မိမိ၏ စွမ်းရည်ကို စွမ်းဆောင်ရည်အမြင့်ဆုံး မော်ဒယ်များနှင့် စမ်းသပ်လိုပါက arcprize.org/tasks⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) ရှိ အများသုံးဂိမ်းများကို ကိုယ်တိုင် ကစားကြည့်ပါ။