ARC-AGI 内化了一个重要的教训，但并不是很多其他人都意识到，那就是基准性能是测试时计算能力的函数。 @OpenAI 发布单一数字的基准结果，因为这更简单，人们也期望看到这样的结果，但理想情况下，所有评估都应该有一个 x 轴。