英伟达小模型持续获胜。

ARC-AGI 2 最新成绩，4B 小模型 NVARC 以 27.64% 的公开榜成绩力压 GPT-5 Pro 18.3% 登顶榜首。

且每任务成本仅 20 美分，大约是 GPT-5 Pro 单任务成本（超过 7 美元）的 1/36。

据官方分析，此次 NVARC 夺冠的亮点在于零预训练深度学习方法，没有依赖大规模通用数据集进行前期预训练，规避了预训练模型的领域偏见、数据依赖等问题。

而 ARC-AGI 2 确实是一个消除了与公共训练数据重叠的更高难度测试，主要是看测试模型能否高效地获取超出其训练数据的新技能。

成绩出炉后，官方访谈到了 NVARC 团队的 Jean-Francois Puget 和 Ivan Sorokin，进行技术剖析。

快来看看“性价比之王”是如何“练”成的？

不靠参数堆料

英伟达的策略是将复杂推理移至离线的合成数据管道，训练能在评估时快速运行的较小模型。

简单来说就是大规模合成高质量数据，然后对现有模型进行优化，并且将昂贵的计算工作转移到离线进行。

由于 Kaggle 比赛对计算资源限制非常严格，团队意识到，他们不能直接使用那些需要超强算力的大型 LMM 来进行复杂的、一步一步的推理和代码生成。

因此他们改变了思路，决定将最烧钱的计算工作转移到离线完成。比如利用 GPT-OSS-120B 来大规模制作高质量的合成谜题。

团队从 H-ARC、BARC 数据集中搜集了现有的 ARC 谜题数据，然后将简单的谜题混合起来，生成更复杂的新谜题。

为了确保数据质量，他们将复杂的推理管线拆分成不同的阶段，每个阶段都可以独立验证。

通过这种方式，他们建立了一个含 320 万 + 增强样本的合成数据集，其中每个样本最多有 7 对输入 / 输出。

这里忍不住提一嘴，哈萨比斯刚强调了 Scaling Law 的重要性，那么合成数据的 Scaling 怎么不算呢（doge）？

言归正传，NVARC 核心的推理模块以改进版 ARChitects 方法为基础，选用小参数模型 Qwen3-4B，通过对话式模板简化谜题理解。

训练时借助 NeMo RL 框架和 Megatron 后端进行监督微调。

不过，让模型取得优异成绩的关键一步在于测试时微调（TTFT）。

针对 ARC-AGI-2“每个任务都是全新规则”的特点，NVARC 引入了 LoRA 微调技术，并且是针对每一个问题都进行微调，让模型在做题前快速适应。

而对 ARChitects 方法的改进在于解码阶段 DFS 算法做了批处理优化，修复结果非确定性问题。

同时统一了 8 种数据增强操作评估候选解，最终在公开榜获得了 27.64% 的分数。

在竞赛后期，团队还应用了“少即是多”的 TRM 方法，尝试与 Qwen3-4B 集成补充分数，虽然有一定提升，但受各种限制并没有大幅优化。

那么问题来了，有人会说这样训练出来的小模型不就是做题机器吗？哪里比得上全面发力的超级大模型？

但更值得关注的或许不在于模型本身，而在于实现突破的方法。

在特定领域任务中，小模型经过针对性优化，性能并不逊色，再加之成本、速度、适配性与领域聚焦优势，它们已经在诸多场景崭露头角。

将正确的方法用在正确的地方，将会实现更大的价值。

借用这位网友所说，模型或许应该被设计得更加“敏捷”。

论文地址：

• https://drive.google.com/file/d/1vkEluaaJTzaZiJL69TkZovJUkPSDH5Xc/view

参考链接：

• [1]https://developer.nvidia.com/blog/nvidia-kaggle-grandmasters-win-artificial-general-intelligence-competition/

• [2]https://arcprize.org/blog/arc-prize-2025-results-analysis

• [3]https://www.kaggle.com/competitions/arc-prize-2025/writeups/nvarc

本文来自微信公众号：量子位（ID：QbitAI），作者：闻乐