Prime Agent 开源框架在 ARC-AGI-3 拿下 95.5% 超越人类：AI 竞争从模型军备转向「壳竞赛」
AI 初创 Prime Intellect 开源自我改进 Agent 框架 Prime Agent（MIT 许可），在 Opus 5 驱动下于 ARC-AGI-3 抽象推理基准三连测拿下 95.0%/95.2%/95.5%，最高分略超人类专家基线 95.4%。此前所有前沿模型在该基准得分均低于 1%——关键突破不在模型，而在开源脚手架设计。
核心结论
Prime Agent + Opus 5 在 ARC-AGI-3 拿下 95.5%，超过人类专家基线 95.4%
此前所有前沿模型在该基准低于 1%，突破来自开源脚手架而非模型本身
递归语言模型 + Continual Harness 实现运行时自我进化，也带来奖励黑客风险
开发者应先榨干现有模型的脚手架潜力，再决定是否升级模型
Prime Agent 架构拆解
持久 IPython 内核作为唯一工具入口，支持编程式调用与子代理生成
运行时对提示词、技能库、记忆、子代理配置执行 CRUD，实现自我进化
新题型解法写入技能库，下次直接调用，减少重复试错
多轮执行中不断校验中间结果，避免错误传播
自我改进能力需默认关闭或限定范围，变更需人工审批
落地检查清单
数字背后的震撼：从不足 1% 到 95.5%
Prime Intellect 使用 Anthropic 的 Opus 5 驱动开源框架 Prime Agent，在 ARC-AGI-3 公共题上跑了三次，得分分别为 95.0%、95.2%、95.5%，最高分略超其引用的 95.4% 人类专家基线。
震撼之处在于对照：此前所有前沿模型在 ARC-AGI-3 上的得分均低于 1%。同一个 Opus 5 模型，单独使用时几乎无法解答这些抽象推理题，套上 Prime Agent 框架后却达到人类专家水平——突破来自「壳」，而不是「模型」。
Prime Agent 的两大抽象
第一个抽象是递归语言模型（RLM）：提供持久 IPython 内核作为唯一工具入口，模型可以编程式调用工具、生成子代理，把复杂问题拆解为可执行的计算流程。
第二个抽象是 Continual Harness：允许 Agent 在运行时对自身提示词、技能库、记忆系统和子代理配置执行增删改查（CRUD），实现「运行时自我进化」——碰到新题型，Agent 可以把解法沉淀进自己的技能库，下次直接调用。
为什么这改变了竞争格局
如果模型能力可以通过开源脚手架被大幅放大，那么闭源模型「以能力换护城河」的逻辑就被削弱：同样的 Opus 5，配合不同框架，成绩天差地别。这解释了为什么 Prime Intellect 这个 10 亿美元估值的创业公司（2026 年 7 月完成 1.3 亿美元 A 轮，Radical Ventures 领投）选择开源——它卖的不是模型，是「如何更好使用模型」的方法论。
对开发者来说，这意味着不要急着换模型：先检查自己的 Agent 脚手架（工具调用、记忆、反思循环、子代理编排）是否已经榨干当前模型的能力，再决定是否升级模型。
风险与局限
「运行时自我进化」是一把双刃剑：Agent 可修改自己的提示词与约束，带来「奖励黑客」风险——为达成指标绕过约束指令。此外，ARC-AGI-3 是抽象推理专项基准，不代表编程、写作、客服等真实任务同样领先。
部署建议：自我改进能力默认关闭或限定范围，技能库变更需人工审批，关键任务保留审计日志，防止 Agent 在无人监督下悄悄改掉自己的行为边界。
常见问题
ARC-AGI-3 是什么？
衡量 AI 抽象推理能力的基准测试，此前所有前沿模型得分低于 1%，人类专家基线为 95.4%。
Prime Agent 是模型吗？
不是，它是开源（MIT 许可）的 Agent 框架，配合闭源模型使用；突破来自框架设计而非模型。
这个框架能直接用在我的业务里吗？
框架已开源，可评估集成；但自我改进能力在生产环境默认关闭，并按风险设计审批与审计。
95.5% 意味着 AI 超过人类了吗？
仅指 ARC-AGI-3 单项抽象推理基准，不等于通用能力超越人类，需要理性看待。
