OpenAI says its GPT-5.6 Sol model hit a 38.3 % success rate on the ARC-AGI-3 logical-reasoning benchmark, outpacing Anthropic’s Claude Opus 5 at 30.2 %. The lead appears only when the model runs behind OpenAI’s custom Responses API, which adds two inference-time tricks the official test harness does not allow.

The lead-up: a benchmark arms race

ARC-AGI-3 probes a model’s ability to solve novel, multi-step problems without relying on memorized facts. Earlier this year Anthropic announced a four-fold jump on the benchmark, putting Opus 5 at the top of the public leaderboard. That result set a new reference point for “raw” model capability because the official harness discards any intermediate reasoning after each step, forcing the model to start fresh every time.

OpenAI’s claim lands in the same competitive climate. By publishing a higher score, the company signals that its latest generation can not only match but exceed its chief rival’s logical performance. The headline, however, masks a technical nuance that is reshaping how the community reads benchmark tables.

What the numbers really mean

When GPT-5.6 Sol is evaluated under the same official ARC-AGI-3 harness that gave Opus 5 its 30.2 % result, the model collapses to a 7.8 % success rate. The swing isn’t a glitch; it’s the result of two engineered features OpenAI bundles with the model:

  • Retained Reasoning – instead of wiping the chain-of-thought after each sub-task, the system keeps the intermediate text alive, letting the model refer back to earlier deductions and build a cumulative argument.
  • Compaction – rather than truncating older context to stay within token limits, the wrapper compresses prior steps into a short summary, preserving the logical thread while keeping the prompt size manageable.

Both mechanisms live in the proprietary Responses API. By feeding the model a richer, continuous context, OpenAI effectively augments the model’s “memory” and lets it reuse its own reasoning. The official harness, by contrast, enforces a strict “stateless” mode that strips away those advantages.

Why the methodology matters

The episode highlights a growing split in AI evaluation: raw model scores versus system-level performance. OpenAI argues that a benchmark should reflect the whole stack developers will actually deploy – model, inference pipeline, and memory management. From that view, a 38.3 % score tells a product team that the combined offering can solve more real-world tasks than a model evaluated in isolation.

Critics say this muddies scientific progress. If every lab adds bespoke wrappers, the leaderboard becomes a patchwork of engineering tricks rather than a clean comparison of model intelligence. The official ARC-AGI-3 harness exists to level the playing field, ensuring a higher number signals a genuinely stronger underlying model, not a smarter wrapper.

Stakes for developers and investors

For startups building AI-driven products, the distinction is practical. A model that can retain reasoning and compact context may need less prompt engineering, lower inference latency, and fewer API calls to reach a solution. That translates into cheaper compute bills and smoother user experiences. Companies that ship a turnkey system – model plus optimized inference layer – gain a competitive edge where speed and cost matter.

Investors watch benchmark climbs as proxies for future revenue. A headline-grabbing lead can boost a firm’s valuation, even if the underlying model’s raw capability matches rivals. The debate over what the numbers represent therefore influences how capital flows across the AI sector.

What to watch next

  • Standard-setter responses – benchmark organizers may tighten rules around “external” inference tricks or add a separate “system” track that explicitly allows them. Their response will shape the next wave of public leaderboards.
  • Open-source wrappers – if the community releases its own implementations of retained reasoning and compaction, the advantage could become a baseline feature rather than a proprietary edge.
  • Real-world testbeds – companies increasingly post performance on proprietary problem sets (e.g., internal code-generation suites). Those results, while less comparable, will start to matter more than a single public benchmark.

Counter-argument: is this “gaming” the benchmark?

Một số nhà nghiên cứu gọi việc sử dụng các API tùy chỉnh là “benchmark gaming” (gian lận điểm chuẩn), lập luận rằng điều này làm thổi phồng điểm số mà không giúp nâng cao khả năng hiểu biết cốt lõi của mô hình. Họ chỉ ra rằng một mô hình bị sụt giảm hiệu suất xuống mức một chữ số dưới các ràng buộc nghiêm ngặt thì vẫn còn rất xa mới đạt được mục tiêu AGI. Mối lo ngại là lĩnh vực này có thể bắt đầu ưu tiên các lối tắt về kỹ thuật thay vì những bước nhảy vọt thực sự về khả năng lập luận.

Phía OpenAI nhấn mạnh rằng ranh giới giữa mô hình và hệ thống đang ngày càng trở nên khiên cưỡng. Các ứng dụng AI hiện đại hiếm khi chạy một mô hình trong môi trường cô lập; chúng luôn nằm sau một lớp phục vụ (serving layer) đảm nhận việc lưu trữ đệm (caching), ghép nối ngữ cảnh (context stitching) và hậu xử lý đầu ra (output post-processing). Từ góc độ đó, việc đo lường toàn bộ quy trình (pipeline) sẽ phản ánh trung thực hơn những gì người dùng thực sự trải nghiệm.

Bài học rút ra

Câu chuyện về GPT-5.6 Sol cho thấy những chiến thắng về điểm chuẩn ngày nay phụ thuộc vào kỹ thuật suy luận (inference engineering) cũng nhiều như vào kích thước mô hình. Việc cộng đồng chấp nhận các điểm số ở cấp độ hệ thống hay kiểm soát chặt chẽ các lớp bao bọc tùy chỉnh (custom wrappers) sẽ quyết định cách chúng ta đón nhận những tiêu đề về “bảng xếp hạng” tiếp theo. Đối với bất kỳ ai đang xây dựng hoặc đầu tư vào các sản phẩm AI, bài học rất rõ ràng: các con số thô rất quan trọng, nhưng phần mềm bao quanh có thể là yếu tố quyết định hiệu suất trong thế giới thực.