Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

ARC-AGI

O ARC-AGI é uma série de benchmarks, criada por François Chollet e mantida pelo ARC Prize, que testa se um sistema de IA consegue resolver quebra-cabeças de raciocínio novos, que nunca viu antes, medindo a eficiência com que ele aprende, e não o que ele sabe.

Também chamado: Abstraction and Reasoning Corpus, ARC-AGI-2, ARC-AGI-3, ARC Prize

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

A maioria dos benchmarks testa a habilidade em uma tarefa. O artigo de Chollet de 2019, On the Measure of Intelligence, argumentou que a habilidade sozinha é uma medida ruim, porque dados de treinamento ilimitados permitem que os desenvolvedores comprem habilidade sem generalização real. Ele propôs definir inteligência como eficiência na aquisição de habilidades e lançou o Abstraction and Reasoning Corpus (ARC) para testá-la.

Como ele é projetado

As tarefas do ARC dependem apenas de conhecimentos prévios básicos (core knowledge priors): blocos cognitivos que as pessoas têm desde o nascimento ou adquirem muito cedo. Elas evitam conhecimento cultural ou especializado, para que humanos e IA possam ser comparados de forma justa. O ARC Prize diz que o benchmark mira a inteligência fluida, a capacidade de raciocinar e se adaptar a problemas novos, e não a inteligência cristalizada, construída a partir de conhecimento acumulado. Cada tarefa é nova, então memorizar os dados de treinamento não ajuda muito.

A série

O conjunto original agora se chama ARC-AGI-1. Desde então, o ARC Prize lançou o ARC-AGI-2 e o ARC-AGI-3 e realiza competições anuais, cada uma com um leaderboard público. Consulte o site do ARC Prize para ver as pontuações atuais, já que elas mudam a cada versão.

Por que isso importa

O ARC-AGI é projetado para resistir à memorização, o que o torna um ponto de referência comum para modelos de raciocínio e test-time compute. Sua definição de AGI, igualar a eficiência de aprendizado dos humanos, é uma visão entre várias. Uma pontuação alta mostra adaptabilidade nesses quebra-cabeças, não competência geral, então leia-a junto com outros benchmarks.

Termos relacionados

Benchmark de IA
Um benchmark de IA (teste de referência) é um conjunto fixo e público de tarefas com um método de pontuação acordado, usado para comparar modelos no mesmo teste, por exemplo problemas de código resolvidos, questões de prova respondidas ou qualidade de recuperação em muitos conjuntos de dados.
Modelo de raciocínio
Um modelo de raciocínio (reasoning model) é um modelo de linguagem treinado para trabalhar um problema em um fluxo de tokens de pensamento intermediários antes de dar a resposta final, o que tende a ajudar em matemática, código e tarefas com várias etapas.
Test-time compute
Test-time compute (processamento em tempo de teste) é a quantidade de computação que um modelo gasta ao responder a uma requisição, e não durante o treinamento. Deixar um modelo pensar por mais tempo ou tentar várias respostas pode melhorar os resultados em problemas difíceis.
Leaderboard (IA)
Um leaderboard de IA (tabela de classificação) é um ranking público de modelos segundo suas pontuações em um ou mais benchmarks ou em votos de preferência humana, atualizado à medida que novos modelos são testados, para que os leitores possam comparar modelos lado a lado.

Fontes