2026年9月，个人开发者 Mithil Vakde 仅用单张 RTX 5090 运行 1.5 小时，就在 ARC-AGI-1 公开评测中拿到 44% 的成绩。整个训练过程花费仅为 67 美分。单张消费级显卡加不到一美元的账单，直接追平顶级专门求解器 TRM 与 HRM 的得分，并将一众耗资巨大的通用大模型甩在身后。
François Chollet 在 2019 年提出的 ARC-AGI 一直被视为测度人类抽象推理能力的标杆，社区为其挂出了 100 万美元悬赏。一个开放 6 年的标杆级基准，被一个人用基础的 Transformer 架构直接打通。
67美分买下44分成绩
Mithil Vakde 取得的 44% 得分，把开源社区在小参数规模下的效率展露无遗。该项目上一个版本发布时，就引发了 Google DeepMind 的 Lucas Beyer、fast.ai 的 Jeremy Howard 以及 Rohan Anil 等顶尖研究者的公开讨论。个人开发的模型在硬件受限的环境下，打出了与大厂顶尖团队平起平坐的战绩。
大模型依靠烧钱堆数据的路线在小样本推理上尽显疲态。顶级专门求解器需要复杂的架构与昂贵的算力投入，而这套开源方案用不到一美元的成本复现了同等能力。算力堆砌不能掩饰算法在特定任务上的低效，精细的架构裁剪比暴力扩容更有穿透力。
图：ARC-1 公开评测性能对比图。来源：Mithil Vakde 博客
删掉关键组件让分数腰斩
这套方案没有跳出 Transformer 框架，而是精准引入了 SwiGlu、RMSNorm、3D RoPE 位置编码以及 NorMuon 优化器等现代架构组件。在作者公布的消融实验中，一旦去掉 3D RoPE 或 per-task embedding，模型分数立刻从 44% 跌落至 24% 左右。
| 配置 | 得分 |
|---|---|
| 完整配置（3D RoPE + per-task embedding） | 44% |
| 去掉 3D RoPE | 约 24% |
| 去掉 per-task embedding | 约 24% |
| 只保留最基础设置 | 18% |
| 只训练输出 token（相对上一版） | 40% → 44% |
ARC 任务的本质是处理二维网格与颜色通道，3D RoPE 正好映射了这种多维结构。针对特定任务定制的空间位置编码与嵌入机制，精准补足了模型在局部特征提取上的短板。
这些消融数据说明一件事：对任务结构的精准建模，比堆参数量更值钱。通用大模型习惯的全量参数暴力训练，在高度抽象的推理任务里收益见顶。深入业务逻辑的架构调优，才是撬动高分的直接杠杆。
图：消融实验：去掉 3D RoPE 与 per-task embedding 的断崖式下跌。来源：Mithil Vakde 博客
研究成本锁死探索空间
Mithil Vakde 给出的大胆判断是，大型语言模型在样本效率上没有任何优势。过去 6 年里没人在 ARC 上走通这条路，并非技术门槛高不可攀，而是昂贵的实验成本锁死了大厂研究员的探索空间。动辄几千上万美元的单次训练费用，让大厂团队跑不起几十上百次的消融实验，自然无法发现哪些架构细节对 ARC 任务真正有效。
几美分的试错成本，让个人开发者可以高频测试各种组件组合。每一项看似微小的参数调整，都能在 1.5 小时内得到验证。大厂用几百万美元训练费堆出来的通用能力，在需要密集试错与精准一击的单点任务面前，显得有些笨重。
图：其他消融的最优成绩对比。来源：Mithil Vakde 博客
样本效率接管下半场竞赛
当多轮运行的已解任务并集达到 55% 时，作者判断单靠 Transformer 就能在 ARC 上摸到 65% 的门槛。这套包含完整模型权重与训练代码的全开源方案，在 Hacker News 上拿下 546 个赞与 146 条评论，点燃了社区对小模型潜力的期待。除了 ARC-AGI-1 的亮眼表现，该模型在更难的 ARC-2 测试中也拿到了 7% 的分数。
用 67 美分复刻出顶级研究团队的成绩，把大厂数百万美元的投入衬托得有些尴尬。算力霸权无法直接转化成高分，开源社区在微缩成本下展现出的样本效率，才是主导下半场竞赛的核心变量。
参考链接：
- Mithil Vakde 博客
- HN 讨论
- Lobsters 讨论
