OpenAIच्या प्रायोगिक चॅटबॉट मॉडेल, o3 ने अलीकडेच ARC-AGI चाचणीवर प्रभावी 87. 5% गुण मिळवले, ज्यामुळे मागील AI विक्रमी 55. 5% चा मोठ्या प्रमाणात मागे टाकले. हे कृत्रिम सामान्य बुद्धिमत्ता (AGI) ची दिशेने महत्त्वपूर्ण पाऊल आहे, ज्याचे वर्णन मनुष्यांसारखे विचार, योजना आणि शिकण्यास सक्षम प्रणाली म्हणून केले जाते. ARC-AGI चाचणी विकसित करणारे AI संशोधक फ्रँकोइस चॉलेट o3 च्या उल्लेखनीय विचार आणि सामान्यीकरण क्षमतांचे कौतुक करतात, तरी AGI पूर्णपणे साध्य झालेले नाही असे ते मानतात. o3 मॉडेलने इतर अनेक मापनांमध्ये चांगली कामगिरी केली आहे, जसे की Epoch AI ची आव्हानात्मक FrontierMath चाचणी. तथापि, डेव्हिड रीन आणि अन्य तज्ञ हा प्रश्न उपस्थित करतात की ARC-AGI खरोखर AI च्या तर्क आणि सामान्यीकरण क्षमतांचे मापन करते का, आणि त्यासाठी अधिक चांगल्या मूल्यांकनांची गरज असल्याचे सांगतात. OpenAI ने o3 च्या कार्यप्रणालीविषयी तपशील उघड केलेला नाही, परंतु ते o1 मॉडेलच्या 'विचाराच्या साखळी' तर्काचे अनुसरण करते. काहीजण अनुमान करतात की o3 सर्वोत्तम उत्तर मिळवण्यासाठी अनेक तर्कसाखळ्या निर्माण करते. त्याच्या उच्च कामगिरीच्या बाबतीत, o3 चा चाचणी प्रक्रियाही महाग आणि वेळखाऊ आहे, प्रत्येक कामासाठी सुमारे 14 मिनिटे लागतात, ज्यामुळे टिकवण्याच्या क्षमतेबद्दल चिंता वाढतात. AGI ची संकल्पना स्पष्ट परिभाषेची कमतरता आहे, ज्यामुळे AI हे कधी साध्य करू शकते याबाबत सहमतीचा अभाव आहे.

प्रगतीचे परीक्षण करण्यासाठी विविध चाचण्या विकसित केल्या जात आहेत, जसे की रीनचे Google-Proof Q&A आणि OpenAI चे 2024 मधील MLE-bench, जे वास्तव जीवनातील समस्यांसह AI ला आव्हान देते. चांगल्या मोजमापांना खात्री असू शकली पाहिजे की AI ला प्रशिक्षणादरम्यान चाचणी प्रश्न आलेले नाहीत आणि खऱ्या तर्काला शॉर्टकट्सशिवाय आवश्यक आहे. झियांग युए परीक्षांमधील गोंधळलेल्या, वास्तव जीवनातील स्थिती आणि ऊर्जा कार्यक्षमतेच्या महत्त्वावर जोर देतात. युएचे MMMU मापदंड चॅटबॉट्सचे विद्यापीठस्तरीय कामांवर मूल्यमापन करते, ज्यामध्ये OpenAI चे o1 सध्याच्या विक्रमी 78. 2% गुणासह आहे. त्याच्या उलट, ARC-AGI प्राथमिक कौशल्यांवर केंद्रित आहे, जसे की गणित आणि नमुना ओळख, परीक्षार्थींना परिणाम काढण्यासाठी डिझाइन रूपांतरण देणं. युए ARC-AGI च्या AI क्षमतांचे मूल्यांकन करण्यात अद्वितीय दृष्टिकोनाची प्रशंसा करतात.