Schema Harness在ARC-AGI-3公榜斩获99%
Schema Harness Achieves ~99% on Arc‑AGI‑3 Public
ARC-AGI-3公榜上，Schema Harness配合Claude Opus 4.8和Fable 5实现了惊人的99% RHAE得分。这套系统不改动模型权重，而是像物理学家一样工作：先通过State Grounding从原始像素中构建状态，再通过Mechanism Discovery推演世界规则。当预测失败时，它不仅能调整规则，还能重构对状态本身的定义。相比传统方法，Schema Harness让模型在未知环境中展现出接近人类的推理与修正能力，证明了‘如何使用模型’比模型本身更关键。
关键启示在于：你如何使用模型，其重要性远超模型本身。
HN 评论区
83- 有评论者指出，Schema Harness 的核心价值不在于单纯刷高 ARC-AGI-3 分数，而在于构建了一种通用的架构，使模型能通过构建世界模型和可执行规则来高效解决新问题，这超越了简单的模型参数提升。
- 部分观点质疑该方案是否属于'作弊'，认为利用模拟器或特定工具（Harness）绕过直接推理，就像在代数考试中允许使用计算器，未能真正测试模型在未知环境中的连续学习和泛化能力。
- 针对'工具使用非人类智能'的担忧，有评论反驳称，能够编写工具来解决难题恰恰是智能的体现，试图要求 AI 必须像人类一样思考才能被称为 AGI 是一种危险的思维定式。
- 一位从业者提到，将复杂任务拆解为初级模型处理简单部分、高级模型处理难点的层级化工作流，才是企业应对 Token 成本的最优解，而非盲目追求单一模型的端到端能力。