深度思考模式把 ARC-AGI-2 从 17.6% 拉到 45.1%：对照 Gemini 3 Pro 的三份能力评测，看‘会思考‘改写了哪些边界-北京尧图网络

深度思考模式把 ARC-AGI-2 从 17.6% 拉到 45.1%对照 Gemini 3 Pro 的三份能力评测看“会思考”改写了哪些边界一、先说结论变强的不是“知识”而是“解法”每次新模型发布评测榜单都会涨几个点大家已经审美疲劳。但 Gemini 3 Pro 这次有一个数字值得单独拎出来看ARC-AGI-2 测试集上深度思考Deep Think模式拿到 45.1%而此前最佳表现是 GPT-5.1 的 17.6%——这不是百分点级的渐进提升是接近三倍的跃迁数据来自中信证券研报《建议关注以多模态为代表的应用机会同步关注模型发展带来的算力新需求》。ARC-AGI-2 测的不是知识储备而是“面对没见过的问题类型能不能现场想出解法”。这类任务上翻倍级别的提升指向的是推理范式本身的变化而不是训练数据多喂了一点。所以这篇文章不想泛泛说“模型又变强了”而是把中信证券评测里的三块能力——工具调用与任务规划、长上下文 MRCR、深度思考模式——拆开落到“什么场景值得开深度思考”这张表上。二、三份能力对照Gemini 3 Pro vs GPT-5.11. 推理测试集无工具与有工具的差距测试集Gemini 3 ProGPT-5.1说明GPQA Diamond91.9%略低专家级科学推理两者接近HLE无工具37.5%26.5%差距明显拉开HLE深度思考41%—进一步提升ARC-AGI-2深度思考45.1%17.6%此前最佳数量级差异SimpleQA Verified72.1%34.9%知识准确性翻倍这里有两个信号值得注意GPQA 接近持平HLE 拉开 11 个点。GPQA Diamond 更多考的是“把已知科学知识用到位”HLEHumanitys Last Exam考的是极端难题题目越难、越新颖深度思考模式的收益越大。SimpleQA Verified 从 34.9% 到 72.1%是另一个容易被忽视的点。这是事实性问答的准确性测试说明模型在“少胡说八道”这件事上也有实质进步——对 Agent 类应用来说这往往比推理分数更影响落地质量。2. 工具调用与任务规划Agent 的基本功根据中信证券的评测解读Gemini 3 Pro 在工具调用能力上相对 GPT-5.1、Claude 4.5 Sonnet 等前沿模型有小幅领先而在任务规划能力上表现更好可以实现多步任务的高效完成。这两项能力对 Agent 的意义不同工具调用是“每一步走对”任务规划是“先想清楚整条路径”。多步任务里规划差的模型即便每步工具用得对也会在路径上绕远、丢上下文。3. 长上下文100 万 Tokens MRCR 大幅领先模型支持 100 万 Tokens 上下文窗口并且在长上下文精确检索测试集MRCR中性能大幅领先。MRCR 这类测试的价值在于它考的是“长文档里的精确检索与区分”而不是“大概读懂了”。对实际应用来说这意味着把整份代码库、整批合同、整季度的客服记录塞进去做精确问答可靠性会上一个台阶。4. 多模态推理打开新场景官方演示中模型可以在烹饪场景读懂不同语言的手写/手绘笔记并汇总成食谱也可以在运动场景分析用户击球的可改进之处。这些演示的共同点是输入不是结构化数据而是真实世界里的凌乱信息——手写、手绘、视频动作。这正是中信证券在其此前报告《计算机行业智能领军AI SOTA系列报告1—下一代大模型GPT-5研究框架》2025-07-29中展望的方向以多模态推理打开全新应用场景。三、深度思考模式到底该什么时候开深度思考不是免费午餐——它通常意味着更高的延迟和推理成本。结合上面的评测数据我把它落成一张场景对照表建议开启的场景全新问题类型的求解。ARC-AGI-2 上 17.6% → 45.1% 的跃迁说明深度思考最大的收益在“没有现成套路”的问题上。典型如新领域的算法设计、非常规 bug 的根因分析、需要从第一性原理出发的方案设计。极端难度的推理题。HLE 从 37.5% 提升到 41%收益存在但相对温和——说明难题上思考模式有帮助但不是所有难题都能靠“多想”解决。多步 Agent 任务的关键规划节点。既然任务规划是 Gemini 3 Pro 的相对强项在 Agent 流程中把“拆解任务、制定计划”这一步交给深度思考模式而执行步骤用普通模式跑是性价比比较高的用法。没必要开的场景事实性问答。SimpleQA Verified 的 72.1% 是基础能力而非思考模式的加成查资料类任务开普通模式即可。常规代码补全、格式转换、模板化生成。这些任务有明确的“套路”深度思考只会增加延迟。对延迟敏感的交互场景。实时对话、流式 UI 反馈思考时间本身就是体验损耗。一个值得注意的局限深度思考的收益和任务类型强相关。GPQA 上两种模式差距不大91.9% 本身已接近天花板HLE 上提升约 3.5 个点ARC-AGI-2 上提升巨大。也就是说任务越“新颖”、越偏离训练分布“会思考”的价值越大任务越常规收益越趋于零。别把深度思考当成万能开关。四、换个视角为什么“可验证”的领域进步最快中信证券的报告之外另一份资料《【长期主义】第417期智能说AI Coding产业演进从代码补全、到数字执行层的产业革命》提供了一个理解这些评测数字的产业视角。这篇文章的核心论点是“Coding 是第一个天然的可验证奖励场编译器、测试、Lint 提供客观对错信号是强化学习最理想的训练环境。”换句话说代码领域进步快不是因为程序员的问题特别重要而是因为这个领域的对错可以被机器客观判定强化学习有清晰的奖励信号可以迭代。这个视角反过来也能解释深度思考模式在不同测试集上的表现差异有明确验证标准的任务数学、代码、ARC 这类有唯一正确解的谜题思考模式的收益天然更大因为“多想几步”的中间结论可以被检验和纠偏而开放式、缺乏客观对错标准的任务思考多了反而可能跑偏。这给我们选场景时提供了一个判断准则越接近“可验证”的任务越值得开深度思考。该资料还提到产业层面的趋势AI Coding 正从“AI 帮人写代码”走向“人管理 AI 写代码”一旦“AI 写代码—AI 测试—AI 修复—AI 构建下一代 AI”的闭环跑通Coding 就成为 AI 自我进化的生产工具同时“代码数据反过来直接提升模型的推理与工程能力形成智能本身的正向循环”。Gemini 3 Pro 强调 web UI 开发能力正是在这个逻辑下卡位—— coding 能力不只是卖点更是模型自我改进的训练场入口。五、适用范围与局限本文结论的适用范围基于中信证券引用的公开评测数据GPQA、HLE、ARC-AGI-2、MRCR、SimpleQA Verified做出的场景推断适用于对模型选型和推理策略有决策需求的开发者。需要保留的判断评测分数是基准测试的表现真实业务场景的任务分布、prompt 设计、上下文构造都会影响实际效果分数差距不必然等于你的场景下的体验差距。ARC-AGI-2 的 45.1% 意味着仍有超过一半的任务未解决“深度思考改写了边界”不等于“通用智能已解决”——它改写的是“全新问题的可解比例”而不是“所有问题都解了”。深度思考模式的成本与延迟数据公开资料中未给出落地前需要自己在业务里评估投入产出比这一点本文不做臆测。一句话总结榜单涨点是表象真正的信号是——越新颖、越可验证的任务“会思考”的模型优势越大而你的场景里这两者重叠的部分才是深度思考模式的用武之地。参考资料以下链接为本文使用的公开资料。事实依据与检索摘录保存在本地记录中资料内容与适用范围以原始页面为准。中信证券建议关注以多模态为代表的应用机会同步关注模型发展带来的算力新需求提供者智通财经【长期主义】第417期智能说AI Coding产业演进从代码补全、到数字执行层的产业革命

深度思考模式把 ARC-AGI-2 从 17.6% 拉到 45.1%：对照 Gemini 3 Pro 的三份能力评测，看‘会思考‘改写了哪些边界

相关推荐

1.c++入门篇

《江灯合声》：有可行的分框版，也仍可以选择连续鸣谢

关于“贾子猜想”的数学地位、结构特征与讨论边界

更多资讯

启动报Port 8088 was already in use？先查是谁占的

担心文档上云？本地运行的办公AI才敢放心用

先能用，再好用：从烂尾复盘到两周上线，全栈项目的‘原型—快速迭代‘方法论