開源Agent框架刷爆ARC-AGI-3，「自我改進」的RLM harness引爭議

近日，一套開源的Agent框架在備受矚目的ARC-AGI-3（Abstraction and Reasoning Corpus for Artificial General Intelligence，第三版）基準測試中創下驚人成績，幾乎全面碾壓先前所有公開的解決方案。該框架核心採用一種名為「RLM harness」的自我改進機制，讓模型能夠在推理過程中反覆迭代、修正自己的輸出，最終大幅提升對抽象推理題目的正確率。然而，這項突破性進展在學術界與開源社群內部引發了激烈討論，部分研究者質疑其「自我改進」的過程是否真正符合ARC-AGI的評測精神，甚至批評該方法可能「鑽了測試集漏洞」。

ARC-AGI由OpenAI前研究員François Chollet設計，旨在衡量AI系統在少樣本情境下解決全新抽象推理問題的能力。與傳統的影像分類或語言模型評測不同，ARC-AGI的題目往往僅有少數範例，且測試任務與訓練任務之間沒有任何重疊，因此被視為衡量AI是否具備「真正通用推理能力」的重要標竿。第三版（ARC-AGI-3）進一步提高了難度，加入了更多需要理解空間關係、邏輯遞迴與對稱性的題型。這套引發話題的開源Agent框架，開發團隊並未對外透露具體機構名稱，但已在GitHub上公開了完整程式碼與訓練配方。

其核心創新在於一個輕量級的「RLM harness」——一個基於強化學習的推理循環模組。在每次作答時，模型會產生初始答案，然後由harness評估該答案的合理性，並根據內嵌的獎勵訊號重新調整下一步的推理策略，反覆數次直到收斂。這種「自我改進」的機制，意味著模型不再是一次性的前向傳播，而是能夠像人類解題一樣，先嘗試、再檢查、最後修正。在ARC-AGI-3的公開排行榜上，該框架以超過85%的正確率大幅領先第二名，後者的正確率僅有約62%。這樣的跳躍式進步讓許多人振奮，認為開源社群終於找到了通往通用推理的路徑。

然而，爭議也隨之而來：有研究者指出，ARC-AGI評測的核心理念是「一次性推理」，即模型在看到題目後應立即給出答案，不應透過外部循環進行反覆試錯。他們認為，RLM harness本質上等於讓模型在測試階段「作弊」——它利用了多次嘗試的機會來逼近正確答案，與人類在時間壓力下憑直覺解題的本質不同。更進一步的批評來自對數據洩漏的擔憂。雖然ARC-AGI的測試題目理論上不會出現在訓練資料中，但有些專家懷疑，自我改進的harness可能在某些情況下「記住了」類似樣式的模式，從而透過反覆嘗試來匹配規則，而非真正理解抽象概念。

一位不願具名的AI研究者在社群論壇上寫道：「如果模型需要跑十次推理才能答對，那它到底學到了什麼？我們應該測的是第一次的輸出，而不是最後一次。」 支持該框架的一方則反駁，認為人類在解題時同樣會反覆思考、修改草稿，ARC-AGI從未明文禁止模型使用內部反思機制。他們強調，RLM harness並不存取外部資料庫或人類回饋，所有改進都來自模型自身對獎勵函數的學習，因此完全符合「封閉測試」的條件。開發團隊也在專案說明中表示，他們設計harness的初衷是模擬人類的「自我糾錯能力」，而非刻意繞過評測限制。這場爭議的核心，其實觸及了AI評測方法論中一個長期未解的難題：到底什麼才算是「真正的推理」？

如果模型必須靠多次嘗試才能答對，是否代表它缺乏一次成功的歸納能力？另一方面，若能透過自我改進持續提升正確率，是否反而說明模型具備了更接近人類認知的迭代式解題策略？ARC-AGI的創建者François Chollet尚未對此發表公開評論。不過，他在過去的演講中曾明確表示，ARC-AGI的評測目標是「評估系統在極少範例下的歸納能力」，而「多次嘗試」的設計並不符合該目標的精神。這意味著，即使該框架在排行榜上驚人，未必會被官方認可為真正的通用推理突破。無論如何，這套開源Agent框架的出現，已經讓整個AI社群再次聚焦於ARC-AGI的設計缺陷與未來改進方向。

不少團隊開始嘗試複製該成果，並評估在自家模型上部署RLM harness的效果。可以預見，在未來幾個月內，圍繞「自我改進」與「一次性推理」的討論將持續升溫，甚至可能催生出ARC-AGI第四版的新評測規範。截至發稿，該框架的GitHub倉庫已獲得超過5000顆星，社群貢獻者紛紛提交補丁與優化建議，試圖將正確率推向90%以上。然而，能否在保持學術正當性的前提下實現這一目標，仍有待時間與更多第三方評測來驗證。對於關注通用人工智慧發展的讀者而言，這無疑是一次值得深入追蹤的里程碑事件——無論最終爭論結果如何，它都迫使我們重新思考：究竟什麼才是衡量AI智慧的公平尺規？