ARC-AGI-3用统一的Harness，GPT-6 Astra的成功率是62.7%，用针对这个跑分特调的Harness， 成功率是99.9%，为什么差这么多？因为ARC-AGI-3的测试题全部是一堆劣质的、毫无逻辑的、多样性很低的游戏规则的自由组合，因此很容易进行针对性的特调。 ​