更新：
ARC Prize 共同創辦人 François Chollet 回應 OpenAI 的測試結果時，區分了兩種測試設置。他表示，為了解決基準測試而「客製化」或「包含基準測試格式知識」的測試框架是不允許的。然而，未針對 ARC-AGI-3 開發且所有 API 使用者皆可使用的「通用 API 設定」則是公平的。
實際上，Chollet 承認 ARC Prize 自己對 OpenAI 的 GPT-5.6 Sol 評分可能讓 OpenAI 處於劣勢。他指出，ARC Prize 與 OpenAI 在「如何最佳測試其模型，特別是關於壓縮（compaction）方面」進行了多次來回討論，並樂見該公司「開始找出答案」。
Chollet 表示，不同供應商使用不同設定確實會造成「潛在的對等性問題」，但他認為只要「明確報告設定和成本」，這點是可以接受的。
原始文章：
OpenAI 表示其模型在 ARC-AGI-3 基準測試中仍能保持領先。在 Anthropic 的 Claude Opus 5 在這項邏輯基準測試中將紀錄分數翻了四倍之後，OpenAI 現在展示 GPT-5.6 Sol 透過兩種 API 設定，達到了 38.3% 的分數，超越了 Opus 5 的 30.2%。
然而，OpenAI 並未使用官方測試環境。相反地，它透過自己的 Responses API 運行 GPT-5.6 Sol，並使用了「保留推理」（Retained Reasoning）功能，該功能可在步驟之間保留模型的思維鏈，以及「壓縮」（Compaction）功能，該功能會摘要舊有上下文而非截斷它。
在官方測試框架中，GPT-5.6 Sol 的分數僅為 7.8%，因為模型在每次行動後其推理都會被捨棄。
OpenAI 認為，基準測試從來不只衡量模型本身，也衡量其周圍的技術設置。這確實是事實，而 ARC-AGI-3 的設計旨在測試純粹的模型效能。ARC Prize 在回應 OpenAI 的結果時表示，官方 ARC 分數採用標準化方法，不使用供應商特定的設定，以確保公平比較。
爭議點在於 ARC Prize 是否使用了較舊的「OpenAI 風格補全 API」，而該 API 缺乏 Claude API 已提供的功能，這將導致對 OpenAI 的比較不公平。