昨天貼在其他板 也貼來這裡給有興趣的人參考 從能力測試成績來看 幾款新的LLM最關鍵差異是在Nobel Problem Solving (ARC-AGI-2)(verified)的成績 Gemini 3.0 pro是31.3% 　　GPT5.1是17.6% 　　(Claude Opus 4.5是37.6%) (更新: tsubasawolfy大提供資訊 Gemini 3.0 DeepThink 已達45%) 這個能力是在測LLM有多接近AGI 測試LLM從一堆數據中推理出規則的能力 以人類的智力來說是指流體智力(流動智力) 這種智力對人類來說難以靠後天念書補強 舉實例 我今天丟了兩篇文測試這兩家LLM 起因是這樣的 昨天晚上觀察某板 發現居然在一小時內出現六篇正常閒聊文章 間隔大約十分鐘左右 平常那裡充斥仇女文跟男生發的惡搞文 那六篇全都是不同帳號發的 共通點是上站次數只有一百多 文章數極少 但奇怪的是IP相似 可分為三組 剛好都是遠傳電信 文章內容看起來也很相似 而且明明是陌生帳號卻很容易能引發討論 這在該板很異常 我把六篇一起丟給Gemini 3.0 pro分析 只問一句: 有沒有共通隱藏點或可疑點 他結論是極高機率為養帳號/洗文章 (跟我的推理一樣 我沒跟他講) 他的分析涵蓋: 起手式、中間論述、結尾、語氣特徵 都有抓出共通點 同樣的方式丟給GPT5.1 他自動進入Thinking模式 他的推理是可疑度中等偏低 值得注意但無法判斷有人故意操作 他的分析很詳細 但卻不像Gemini抓出那麼多共通點 (丟給Claude Sonnet 4.5 他的分析結果是"很有可能是養帳號"也從時間跟IP跟結構切入) 雖然Gemini說上述這主要測到的是廣義的ARC能力 是測抽象歸納能力 不算ARC-AGI-2狹義上的測試類型 他說ARC的推理能力 當用戶問以下這類問題時會用到: 例子一： 「我有這堆亂七八糟的地址數據，我要把它們轉成 JSON 格式。我只給你三個例子，請你 自己看出規律，把剩下的 100 筆都轉好。 例子二： 「我正在寫一個遊戲，我需要一個演算法。地圖是一個二維網格，我想讓怪物追蹤玩家， 　但怪物只能走『L』字型的路線（像西洋棋的馬，但要走直線轉彎），而且不能穿過牆 　壁。請幫我寫出這個路徑搜尋的 Python 函數。」 例子三： 「我發現我的信用卡帳單積分計算怪怪的。 　刷 100 元，得 1 點。 　刷 200 元，得 2 點。 　但刷 500 元，得 10 點。 　刷 1000 元，得 25 點。 　請幫我推測它的積分倍率規則可能是什麼？如果我刷 2500 元大概會拿多少點？」 簡言之這代表LLM已經能辦到用類似人類的system 2邏輯推理能力 從一堆沒有根據的數據中找規則 並推導出答案 GPT的o3之前做過這個ARC-AGI-2的測驗 他的分數不到3% 這是今年四月施測結果 現在才過半年左右 Gemini 3.0 pro跟Claude Opus 4.5已經超過30% 這代表什麼意思？ 這個測驗有找人類來測試 人類中聰明的專家小組施測結果是98-100% 人類一般人平均是60幾~70幾 想像看看 當這些LLM的流體智力超越大多數一般人 甚至未來達到100% 那會是什麼樣的狀況？ ==================== 補充: ARC-AGI-2施測的考題是不公開的 都是全新製作 跟ARC-AGI-1不同 沒有施測考題可以預先練習 完全測實力 考的內容很像WAIS的知覺推理 依據顏色跟形狀跟方向 先看範本推理出規律 然後整理問題的數據找出答案 上述文中的問題 跟AI討論後我覺得比較像網軍文 因為文章看起來像套模板 不太像普通鄉民洗帳號(誰會一次洗六個?) 以後如果AI價格變便宜 也許PTT可以使用AI偵測掃描所有文章 自動擋下可疑的網軍文 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 146.70.31.62 (日本) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/WomenTalk/M.1764375328.A.20F.html 重點是最後一段 AI可以用來抓網軍或洗帳號 前面都是討論技術 沒興趣的話覺得沒重點很正常 ※ 編輯: LoveSports (146.70.31.54 日本), 11/29/2025 14:57:39