ARC Prize 独立验证 DeepSeek V4 Pro：ARC-AGI-1 最高 90.5%、ARC-AGI-2 61.3%

ARC Prize 于 UTC 2026 年 8 月 21 日 20:41（北京时间 8 月 22 日凌晨 4:41）通过官方 X 账号公布了对 DeepSeek V4 Pro 0813 的 ARC-AGI 独立验证结果。

ARC-AGI-1 最高 90.5%（每任务 $0.18），ARC-AGI-2 为 61.3%（每任务 $0.60）。称各推理档分数相近，最高分与 DeepSeek V4 Flash 相当，并附上链接。

被测模型 DeepSeek V4 Pro 0813 于 2026 年 8 月 13 日发布，提供 Max、High、Low、None 四档推理设置。ARC-AGI-3 的成绩尚未公布，官方称将在未来数周内滚动发布。

最高分出自 Low 档，None 档只剩 13.0%

结果页的验证分数表按四个推理档分别列出，题集标注为 Semi-Private（半私有）。ARC-AGI-1：Max 档 90.0%（$0.30/任务）、High 档 87.2%、Low 档 90.5%、None 档 13.0%。

ARC-AGI-2：Max 档 61.3%（$0.60/任务）、High 档 59.7%、Low 档 56.3%、None 档 0.8%。

两个基准的最高分来自不同档位：ARC-AGI-1 是 Low 档的 90.5%，ARC-AGI-2 是 Max 档的 61.3%，推文引用的正是这两组数字。

ARC-AGI-1 上 Low/High/Max 三档的差距只有 3.3 个百分点，ARC-AGI-2 上为 5 个百分点。关掉推理的 None 档则直接掉到 13.0% 和 0.8%。

分数不随档位单调上升，成本曲线同样参差。ARC-AGI-1 上 High 档的记录成本约 $0.31/任务，高于 Max 档的约 $0.30，而 Low 档只要 $0.18。

ARC-AGI-2 上 High 与 Max 的记录成本几乎相同（均约 $0.60）。

ARC Prize 在中给出两个原因：和 V4 Flash 一样，V4 Pro 在 High 档比 Max 档使用了更多推理 token，ARC-AGI-1 上多 1%、ARC-AGI-2 上多 4%。

另外，重复超时（timeout）把各档的记录成本不均匀地拉低，造成了锯齿状的成本趋势。

按官方口径，High 档更高的 token 消耗解释了它拿到接近 Max 档的分数；成本数字的锯齿则被归因于超时造成的记录不均。

结果页还逐题列出通过/失败明细，这些题属于公开题集（Public Eval）。

ARC-AGI-2 的 120 道公开题中，Max 档通过 64 道、High 档 71 道、Low 档 65 道，None 档只有 1 道（任务 981571dc）。它也是唯一一道四个档全部通过的题；37 道题四个档全部失败。

ARC-AGI-1 的 400 道公开题中，83 道四档全过、7 道四档全败，None 档通过 84 道。

页面单独挑出两道代表题：ARC-AGI-1 的 16b78196 与 ARC-AGI-2 的 13e47133，标注均为“没有任何推理档解出这道题”。

公开题的通过率与正文的 Semi-Private 分数是两套数据，例如 ARC-AGI-2 公开题 Max 档通过率 53.3%，而 Semi-Private 分数是 61.3%。

官方在里给出了与测试政策页链接。

按结果页内嵌的榜单数据，V4 Pro 0813 的 ARC-AGI-2 Max 档（61.3%）在已收录的 221 个系统中排第 45，ARC-AGI-1 Low 档（90.5%）在 219 个系统中排第 43。

两个 None 档中，ARC-AGI-1 的排第 195，ARC-AGI-2 的排第 191。注明，榜单只显示运行成本低于 $10,000 的系统。

官方称最高分与 DeepSeek V4 Flash 相当，后者以 DeepSeek V4 Flash 0731 的名义列在同一结果页的 ARC-AGI-2 排行榜上。

同页还有 Claude Opus 5、GPT-5.6 Luna/Sol/Terra、Gemini 3.6/3.7 Flash、Grok 4.5/4.6、Kimi K3 等模型。

结果页把 arXiv 上的列为论文链接；该报告以预览版形式介绍 V4 系列，称 V4 Pro 是 1.6T 总参数（激活 49B）的 MoE 模型。

V4 Flash 为 284B 参数（激活 13B），两者都支持百万 token 上下文。

榜单之外，推文回复最先追问的是成本。用户 Vlady 问单任务成本是否公布，称“那个数字通常比原始分数更让我在意”（that number usually matters more to me than the raw score）。

自称前一天用自家基准套件测过 V4 Pro 的 BullBear.News 认为 $0.18/任务“够便宜”（cheap enough）。

但模型仍在第 42 个测试用例上“幻觉”出一个 fixture 路径（hallucinated a fixture path on test case 42）。

ARC-AGI-3 在结果页表格中仍是“—”，配图标注 Not evaluated。

ARC Prize 在中解释，ARC-AGI-3 的评测“操作上更耗时”（more operationally intensive），结果将在未来数周内滚动发布。

排行榜页面说明，ARC-AGI-3 与前两代不同，要求智能体在陌生的交互环境中即时适应（adapt on the fly）。

对 V4 Pro 0813 来说，这是验证成绩单上唯一悬而未决的一栏；官方给出的时间窗口是“未来数周”，具体日期未定。