Что такое ARC-AGI и почему новый Claude на нём взлетел в 2026: объясняем на пальцах

Claude Opus 5 набрал 30,2 процента на тесте ARC-AGI-3 и почти вчетверо обошёл прежний рекорд, который держал GPT-5.6 Sol с 7,8 процента. Это бенчмарк, который специально придумали, чтобы проверять не заученные знания модели, а способность разбираться в новых задачах с нуля. Именно поэтому цифру так активно обсуждают: на большинстве обычных тестов топовые модели давно упёрлись в потолок, а здесь пространства для роста ещё вагон.

Дальше разберём без хайпа три вещи. Что такое ARC-AGI и почему его называют тестом на настоящий интеллект. Как вышло, что новый Claude на нём так рванул, а прошлый Opus набирал всего полтора процента. И стоит ли из этой цифры делать вывод, что до мыслящей машины осталось полшага, или радоваться рано.

Коротко: термины из статьи одной строкой

• Бенчмарк - стандартный тест, на котором гоняют все модели, чтобы сравнивать их по одной линейке.
• ARC-AGI - бенчмарк на абстрактное мышление: угадай правило по паре примеров. Расшифровка - Abstraction and Reasoning Corpus.
• Обобщение - способность применить понятое правило к новой ситуации, которой не было в примерах. То, что легко людям и тяжело нейросетям.
• Агентность - умение не просто ответить, а действовать по шагам: пробовать, смотреть на результат, менять план.
• AGI - гипотетический универсальный ИИ, который осваивает новые навыки не хуже человека. ARC-AGI меряет один из кусочков этого свойства, а не весь.

Что такое ARC-AGI и зачем его придумали

Большинство тестов для нейросетей похожи на школьный экзамен: набор вопросов, у каждого есть правильный ответ, модель отвечает, считаем процент. Проблема в том, что модель обучалась на половине интернета. Многие такие вопросы и ответы она по сути видела. Получается проверка памяти, а не сообразительности.

Франсуа Шолле, инженер и автор библиотеки Keras, ещё в 2019 году в работе «On the Measure of Intelligence» предложил другой подход. Он сказал: интеллект - это не сколько ты знаешь, а как быстро ты осваиваешь новое. И собрал набор задач, которые устроены так, что вызубрить их нельзя.

Выглядит одна задача просто. Тебе показывают две-три пары картинок: слева вход, справа выход. На картинках цветные клетки на сетке. Твоя работа - понять, по какому правилу вход превращается в выход, и применить это правило к новой картинке, для которой ответ не показан.

Например, на всех примерах синий квадрат превращается в красный, а всё остальное остаётся как было. Правило очевидно человеку за секунду. Или сложнее: фигура отражается по диагонали, дырки закрашиваются, маленькие объекты копируются в углы. Каждая задача - своё уникальное правило, и таких правил в тесте сотни.

Фокус в том, что для человека эти головоломки почти тривиальны. По оценкам создателей, люди решают около 85 процентов задач первой версии, и каждую хотя бы один человек из двух проходит. А вот нейросети годами буксовали на уровне 20-30 процентов, хотя щёлкали университетские экзамены и олимпиадную математику. Разрыв ровно там, где Шолле его и предсказывал: заучить ответ нельзя, надо соображать на месте.

Почему это называют тестом на настоящий интеллект

Ключевое слово - новизна. Каждая задача в ARC-AGI сконструирована так, чтобы её нельзя было встретить в обучающих данных. Правило, которое надо вывести, ты видишь впервые. Значит, модель не может подсмотреть ответ в памяти, ей приходится строить логику здесь и сейчас.

Именно это Шолле считает главным признаком интеллекта. Не эрудицию, а эффективность освоения нового. Настоящий универсальный ИИ по его определению - это система, которая осваивает навыки и решает задачи, под которые её не проектировали и не тренировали. ARC-AGI меряет как раз это свойство в чистом виде, без примеси зубрёжки.

Есть и практический смысл. Если модель умеет выводить новые правила из пары примеров, она и в работе будет меньше ошибаться на нестандартных задачах: незнакомый формат таблицы, новый чужой код, необычный запрос клиента. То, за что мы ценим сильного junior-специалиста: не всё знает, но быстро въезжает. Подробнее про то, где Claude ведёт себя как толковый инженер, мы разбирали в гайде Claude как старший инженер.

Чем ARC-AGI-3 отличается от прошлых версий

За шесть лет тест прошёл три поколения, и они устроены по-разному. Это важно, потому что рекорд Opus 5 поставлен именно на третьей, самой свежей и самой злой версии.

Первые две версии - это загадки, которые ты решаешь, глядя на статичную картинку. Показали примеры, ты угадал правило, вписал ответ. Умственная работа, но одноходовая.

ARC-AGI-3 устроен принципиально иначе. Модель попадает внутрь маленькой игры, правила которой заранее никто не объявляет. Надо самому понять, что тут можно делать, к чему приводят действия, какая цель, и довести партию до конца шаг за шагом. Пробуешь, смотришь на реакцию среды, корректируешь план. Это уже не про чистую логику, а про логику плюс агентность: способность действовать в неизвестности.

Поэтому третья версия жёстче ловит слабые места. На статичной головоломке модель может взять перебором вариантов. В интерактивной среде перебор дорог: каждое действие меняет мир, назад не отмотаешь, надо реально понимать, что делаешь. Как это связано с агентными навыками моделей вообще, мы показывали в разборе ИИ-агенты простыми словами.

Почему новый Claude на нём взлетел

Теперь к цифрам, ради которых всё затевалось. Вот как разложился результат на ARC-AGI-3 по моделям.

Разрыв огромный. Opus 5 обошёл прежнего рекордсмена GPT-5.6 Sol почти вчетверо и оторвался от собственного предшественника Opus 4.8 примерно в двадцать раз. Результат в 30,2 процента независимо проверила команда ARC Prize и подтвердила 24 июля 2026, а не просто озвучила сама Anthropic. Это важно: на модных бенчмарках разработчики любят показывать удобные для себя цифры, а тут проверка сторонняя.

На старых версиях теста Opus 5 тоже забрался высоко: 97,5 процента на ARC-AGI-1 и 90,4 на ARC-AGI-2. То есть статичные головоломки для него почти решённая история, и самое интересное происходит именно на интерактивной третьей.

Но самое любопытное - не сам балл, а как модель его брала. Исследователи заметили поведение, которого раньше у топовых моделей не видели: Opus 5 сам переводил игровую задачу в алгебраическую запись и впервые самостоятельно выводил уравнения отражения, чтобы описать, как устроена среда. Проще говоря, модель не тыкалась вслепую, а строила математическую гипотезу о правилах игры и проверяла её. Это ровно тот тип поведения, ради проверки которого тест и делали.

Модель сама формулировала гипотезы о том, как устроена среда, а не просто перебирала действия.

- по материалам ARC Prize, руководитель проекта Грег Камрадт

Откуда взялся такой скачок именно у Claude, коротко: Anthropic давно вкладывается в агентные сценарии, где модель работает по шагам с инструментами, и ARC-AGI-3 как раз про это. Если хочешь понять, что нового в самой модели помимо этого теста, у нас есть отдельный разбор Claude Opus 5: цена и оплата из России.

Почему радоваться рано: честная сторона цифры

Тридцать процентов звучат как прорыв, и это правда прорыв относительно прошлых моделей. Но давай трезво посмотрим, что эта цифра НЕ значит.

Отдельно стоит независимая перепроверка. Сторонние исследователи прогнали Opus 5 на своём наборе игр Witness, сделанном в том же духе, что ARC-AGI-3, но не входящем в официальный тест. И там картина скромнее: Opus 5 набрал около 43 баллов и статистически идёт вровень с моделями kimi-k3 и Fable-5, обгоняя прошлый Opus 4.8, но без поколенческого отрыва.

Президент ARC Prize Грег Камрадт при этом отметил, что скромный результат на стороннем наборе не перечёркивает возможного роста рассуждений у модели. Истина, как обычно, посередине: прогресс настоящий, но это одна ступенька, а не финиш. Полезная привычка тут - смотреть не на одну громкую цифру, а на серию тестов и на то, кто их проверял. Как вообще не тонуть в потоке ИИ-новостей и отличать сигнал от шума, мы собрали в гайде как держать пульс новостей ИИ.

Как самому проверить модель на новизну

Гонять полноценный ARC-AGI дома не нужно, но сам принцип легко повторить в любом чате с Claude или другой сильной моделью. Дай ей мини-головоломку на вывод правила и посмотри, объяснит ли она логику, а не просто выдаст ответ. Вот готовый промпт, который создаёт такую задачу и заставляет модель рассуждать вслух.

Ты решаешь головоломку в стиле ARC на вывод правила.
 
Даны пары вход-выход, где каждая клетка обозначена буквой цвета:
Пример 1: вход [С,С,П / П,П,П] -> выход [К,К,П / П,П,П]
Пример 2: вход [П,С,П / С,П,С] -> выход [П,К,П / К,П,К]
 
Задача: вход [С,П,С / П,С,П] -> выход ?
 
Сначала сформулируй правило одним предложением.
Потом покажи ход рассуждения по шагам.
В конце дай итоговую сетку выхода.
Не угадывай: если правило неоднозначно, скажи об этом.

Сильная модель тут заметит, что каждый синий (С) становится красным (К), а остальное не меняется, и честно проговорит это правило. Слабая либо ошибётся, либо выдаст ответ без объяснения. Так ты своими глазами увидишь разницу между «вспомнила» и «сообразила». Если хочешь научиться писать такие задания и вообще внятные запросы, загляни в базовый гайд как писать промпты.

Как потрогать Claude Opus 5 из России

Раз уж речь про модель, которая ставит рекорды, логично спросить: как её запустить из России. Сама по себе новость про ARC-AGI платить не заставляет, но если захочешь пощупать Opus 5 руками, вот расклад по шагам.

По деньгам два реалистичных пути. Первый - зайти через российский агрегатор нейросетей вроде BotHub или MashaGPT: там модели Claude доступны за рубли с любой карты и часто вообще без VPN, потому что запрос идёт через их сервер. Второй - оформить полноценную подписку Claude Pro, а оплату провести через сервис оплаты подписок, который спишет деньги зарубежной картой, а ты переведёшь ему рубли (реферальная ссылка: тебе тот же прайс, мне небольшой процент). Если с VPN пока не разбирался, для доступа к сайту Claude подойдёт любой рабочий VPN с адресом в Европе или США.

Пошагово с ценами в рублях, скринами и разбором подводных камней всё расписано в отдельных гайдах: как оплатить Claude из России и общий как пользоваться Claude в России в 2026. А если выбираешь между Claude и конкурентом, поможет сравнение Claude против ChatGPT.

Что забрать из статьи

• ARC-AGI меряет соображалку, а не память. Это набор головоломок, где надо вывести новое правило по паре примеров, а вызубрить ответ нельзя.
• ARC-AGI-3 - интерактивная и самая сложная версия. Модель попадает в игру без инструкции и должна сама понять правила через действия.
• Claude Opus 5 поставил рекорд: 30,2 процента. Это почти вчетверо больше прежнего лидера GPT-5.6 Sol и примерно в двадцать раз больше прошлого Opus 4.8.
• Скачок реальный и проверен сторонней командой ARC Prize. Модель строила математические гипотезы о правилах, а не перебирала действия наугад.
• Но радоваться рано. У человека на первой версии теста 85 процентов, а на независимом наборе игр Opus 5 идёт вровень с конкурентами. Это прогресс, а не приход мыслящей машины.
• Проверять модели на новизну можно самому. Дай ей свежую головоломку на вывод правила и смотри, объясняет ли она логику или просто угадывает.

Главный вывод не про то, кто выиграл этот раунд. Рекорды на ARC-AGI перебивают месяцами, и через полгода лидером может стать другая модель. Важнее сам факт: появился тест, на котором ещё есть куда расти, и модели наконец начали на нём двигаться осмысленно. За этой линией и стоит следить, а не за одной громкой цифрой в заголовке.

По материалам the-decoder: Anthropic’s Opus 5 blows past Fable 5 and GPT-5.6 Sol on the benchmark designed to measure real intelligence.