ARC-AGI
ARC-AGI（抽象与推理语料库）是一个旨在衡量和推动通用人工智能（AGI）发展的基准测试平台。它通过一系列基于网格的逻辑谜题，挑战系统像人类一样具备“流体智力”，即在面对全新问题时，仅凭少量示例就能抽象出核心规律并推导出正确答案的能力。
该项目主要解决了当前 AI 过度依赖海量数据训练、缺乏真正泛化推理能力的痛点。与传统机器学习任务不同，ARC-AGI 要求解题者在从未见过具体任务的情况下，利用有限的演示样本（通常仅 3 组），精准推断出输入到输出的变换逻辑，并构建出完全匹配的输出网格。这种机制更接近人类的学习方式，而非单纯的模式记忆。
ARC-AGI 非常适合 AI 研究人员、算法开发者以及对认知科学感兴趣的教育者使用。研究者可用其评估新算法的泛化边界，开发者则能借此探索少样本学习（Few-shot Learning）和程序合成的前沿技术。其独特亮点在于将复杂的智能测试转化为直观的视觉逻辑游戏，并提供了一套标准的训练与评估数据集，严格区分两者以防止过拟合，确保了对智能水平评估的公正性与科学性。无论是希望突破现有模型局限的极客，还是想亲身体验高难度逻辑挑战的人类用户，都能从中获得深刻洞察。
使用场景
某 AI 实验室团队正在研发具备“类人流体智力”的通用人工智能模型，急需验证其从零学习抽象规律的能力。
没有 ARC-AGI 时
- 评估标准模糊：团队依赖 ImageNet 等静态数据集，模型仅能记忆特征却无法证明其具备推理新规则的泛化能力。
- 过拟合风险高：缺乏严格的“一次见过即需解题”机制，算法容易通过暴力穷举训练数据作弊，掩盖了逻辑推理能力的缺失。
- 认知先验难构建：缺少涵盖颜色、形状、数量变化等基础认知任务的标准化语料库，导致模型难以习得人类般的底层逻辑直觉。
- 人机对比困难：没有统一的浏览器交互界面，研究人员无法直观地以人类视角尝试解题，难以界定当前 AI 与人类智能的真实差距。
使用 ARC-AGI 后
- 基准测试精准：利用 400 个训练任务和 400 个保密评估任务，强制模型在仅看示例的情况下推导测试集输出，真实反映其抽象推理水平。
- 杜绝数据泄露：严格的“三次试错”规则和独立的评估集设计，确保模型必须掌握核心逻辑而非死记硬背，有效识别伪智能。
- 加速认知对齐：基于网格和色彩变化的任务格式，帮助模型快速建立关于对象恒常性、拓扑变换等关键认知先验，缩短研发周期。
- 直观调试迭代：通过内置的 Web 测试界面，研究员可手动加载 JSON 任务进行人机对抗测试，快速定位模型在特定逻辑链条上的断裂点。
ARC-AGI 将抽象推理能力量化为可执行的代码任务，成为衡量人工智能是否真正迈向通用智能（AGI）的关键试金石。
运行环境要求
- 未说明
未说明
未说明
快速开始
用于通用人工智能的抽象与推理语料库 v1 (ARC-AGI-1)
本仓库包含 ARC-AGI-1 任务数据，以及一个基于浏览器的界面，供人类手动尝试解决这些任务。
另请参阅 ARC-AGI-2 仓库。
“ARC 既可被视为通用人工智能基准、程序合成基准，也可被视为心理测量学智力测试。它面向人类以及旨在模拟类人般通用流体智力的人工智能系统。”
有关该数据集的完整描述、其目标及底层逻辑，请参阅：论智力的度量。
提醒一下，当应试者首次看到某项任务时，若能为该任务中的所有测试输入生成正确的输出网格（包括确定输出网格的尺寸），则视为成功解决该任务。对于每个测试输入，应试者有 3 次尝试机会（无论应试者是人类还是 AI，均适用）。
任务文件格式
data 目录包含两个子目录：
data/training：包含用于训练的任务文件（共 400 个任务）。可用于算法原型开发或训练算法以获取与 ARC 相关的认知先验。data/evaluation：包含用于评估的任务文件（共 400 个任务）。可用于评估最终算法。为确保评估结果的公平性，切勿将评估集中的信息泄露到您的算法中（例如，在开发过程中自行查看评估任务，或在使用评估分数作为反馈的同时反复修改算法）。
任务以 JSON 格式存储。每个任务的 JSON 文件包含一个字典，其中有两个字段：
"train"：演示输入/输出对。这是一个“对”列表（通常为 3 对）。"test"：测试输入/输出对。这是一个“对”列表（通常为 1 对）。
一个“对”是一个包含两个字段的字典：
"input"：该对的输入“网格”。"output"：该对的输出“网格”。
“网格”是由 0 到 9（含）之间的整数组成的矩形矩阵（列表的列表）。最小的网格尺寸为 1×1，最大的为 30×30。
在查看一项任务时，应试者可以访问演示对的输入和输出，以及测试对的输入。目标是为每个测试输入构建相应的输出网格，每项测试输入有 3 次尝试机会。“构建输出网格”包括确定输出网格的高度和宽度，然后用符号（0 到 9 之间的整数，以颜色表示）填充网格中的每个单元格。只有完全正确的解答（所有单元格都与预期答案一致）才被视为正确。
测试界面的使用方法
测试界面位于 apps/testing_interface.html。请在网页浏览器中打开它（推荐使用 Chrome）。系统会提示您选择一个任务 JSON 文件。
加载任务后，您将进入测试空间，其外观如下所示：
左侧显示演示任务性质的输入/输出对。中间显示当前的测试输入网格。右侧则是用于构建相应输出网格的控件。
您可以使用以下工具：
网格控制
- 调整大小：输入网格尺寸（例如“10×20”或“4×4”），然后点击“调整大小”。这会保留现有网格内容（位于左上角）。
- 从输入复制：将输入网格复制到输出网格。这对于输出是对输入进行某种修改的任务非常有用。
- 重置网格：将网格全部填满 0。
符号控制
- 编辑：从颜色选择栏中选取一种颜色（符号），然后单击某个单元格以设置其颜色。
- 选择：在输出网格或输入网格上单击并拖动以选择单元格。
- 在输出网格上选择单元格后，可以从颜色选择栏中选取一种颜色来设置所选单元格的颜色。这对于绘制实心矩形或线条很有用。
- 在输入网格或输出网格上选择单元格后，按 C 键可复制其内容。复制完成后，可在输出网格上选择一个单元格并按 V 键粘贴复制的内容。请务必选择要粘贴区域左上角的单元格。
- 涂色填充：单击输出网格上的某个单元格，即可将与其相连的所有同色单元格涂成选定的颜色。“相连的单元格”是指具有相同颜色且彼此相邻的单元格。
答案验证
当您的输出网格准备就绪时，点击绿色的“提交！”按钮以检查您的答案。我们不强制执行 3 次尝试的规则。
在为当前测试输入网格获得正确答案后，您可以使用“下一个测试输入”按钮切换到该任务的下一个测试输入网格（如果有；大多数任务只有一个测试输入）。
完成一项任务后，使用“加载任务”按钮即可打开新的任务。
版本历史
v1.0.22024/06/21常见问题
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。