一句话判断
值得关注 ARC AGI 评测标准的最新进展和获奖团队的实际解决方案实现
核心信息
ARC Prize 公布了 ARC-AGI-3 Milestone #1 的三位获奖者，分别是 tufalabs (1.21%, $25K)、Reki (0.867%, $7.5K) 和 Md Boktiar Mahbub Murad (0.864%, $5K)，三位获奖者都开源了他们的解决方案。
原始内容
相关动态
Kimi K3 在 SpreadsheetBench 2 上排名第一
Kimi K3 在 SpreadsheetBench 2 基准测试中排名第一，超越 Claude Fable 5，完成 34.8% 的 workflow 任务。该基准测试涉及 321 个专家策划任务，平均每个任务包含 11.8 个工作表和 593.5 个单元格更改，聚焦于完整的电子表格工作簿执行。
二年级学生Jo Nagai发现蝴蝶可遗传记忆
日本东京都二年级学生Jo Nagai注意到养育的食蚜 caterpillars 在蝴蝶化后仍保持对薰衣草的回避行为，经Georgetown大学Entomologist Dr. Martha Weiss合作完成实验：70%训练过的蝴蝶及其后代均表现出对薰衣草的遗传性回避，记忆在全变态发育中保存并遗传。
Kimi K3 编码代理评测
Artificial Analysis发布Kimi K3在编码代理指数上的评测结果：得分57，排名第5，性能与GPT-5.6 Terra和GPT-5.5持平（57），超过Opus 4.8（55），略低于Grok 4.5（58）和Fable 5（59）；成本平均3.18美元/任务，比GPT-5.6 Sol便宜55%。
Runway Agent 在第三方评测中全面领先
Physion Labs 发布 Physion-Arc 1.0 基准测试，对 Runway、Luma、MiniMax、Kling、Utopia 和 TapNow 六款 AI 视频代理进行独立人类评估，使用 30 个电影提示和 16 个指标。Runway Agent 2.0 在叙事连贯性、电影语言和制作质量三项核心维度全部排名第一。
Grok 4.5成本效率对比评测
Artificial Analysis数据显示，Grok 4.5每次任务成本仅0.31美元，而Claude Fable 5为2.75美元、Claude Opus 4.8为1.80美元、GPT-5.6 Sol为1.04美元、Kimi K3为0.95美元，Grok 4.5成本分别低约9倍、6倍、3倍和3倍；在FrontierSWE上，Grok...