OpenAI: duas configurações da API triplicaram o resultado do GPT-5.6 no ARC-AGI-3, para 38,3%

A OpenAI informou, em 30 de julho de 2026, que ativar duas configurações da sua Responses API, a retenção de raciocínio (retained reasoning) e a compactação (compaction), triplicou o resultado do modelo GPT-5.6 Sol no benchmark ARC-AGI-3: de 13,3% para 38,3% no conjunto público de tarefas. Ao mesmo tempo, o consumo de tokens de saída por jogo caiu cerca de seis vezes, e, com a nova configuração, o modelo superou o Opus 5 da Anthropic.

O que o ARC-AGI-3 avalia

O ARC-AGI-3 é um benchmark interativo de raciocínio abstrato, no qual um agente de IA resolve, jogada a jogada, tarefas de jogo desconhecidas: ele executa uma ação, vê o resultado e planeja a próxima. Ao contrário dos testes estáticos, aqui a memória entre as jogadas é crítica, porque o agente precisa acumular a compreensão das regras do jogo ao longo da partida. É justamente essa memória que explica todo o salto de 13,3% para 38,3% descrito pela OpenAI.

Que configurações são essas

As duas configurações, retained reasoning e compaction, são os mesmos mecanismos que a OpenAI usa nos seus produtos ChatGPT e Codex. O retained reasoning preserva a cadeia de raciocínio privada do modelo entre janelas de contexto distintas. O compaction resume o contexto acumulado quando ele se aproxima do limite, em vez de simplesmente cortar o trecho mais antigo. Os dois parâmetros estão disponíveis pela Responses API, a interface da OpenAI para cenários agênticos.

• Modelo: GPT-5.6 Sol, da OpenAI
• Harness oficial do ARC-AGI-3: 13,3% no conjunto público
• Com retained reasoning e compaction pela Responses API: 38,3%
• Cerca de 6 vezes menos tokens de saída por jogo
• Publicação: blog da OpenAI, 30 de julho de 2026

Por que o resultado ficava tão baixo

O harness oficial do ARC-AGI-3 descartava o raciocínio privado do agente após cada jogada, e por isso o resultado ficava travado em 13,3%. O GPT-5.6 Sol via o log das ações anteriores e breves anotações sobre elas, mas não o raciocínio que havia gerado aquelas jogadas. Na prática, a cada passo o modelo entendia o jogo do zero. Quando o histórico de jogadas excedia a janela de contexto, o harness ainda removia as ações mais antigas. Em essência, o modelo lembrava que "moveu o bloco roxo", mas esquecia por que havia feito isso.

"Benchmarks nunca medem apenas o modelo: eles medem também a infraestrutura técnica ao redor dele", diz o blog da

OpenAI.

Como o GPT-5.6 se compara ao Opus 5

Com as configurações ativadas, o GPT-5.6 Sol marcou 38,3% e superou o Opus 5 da Anthropic, que tem 30,2% no ARC-AGI-3. Segundo a OpenAI, a diferença não vem do modelo em si, mas da configuração do teste: o harness oficial não tem recursos específicos de provedor, como o retained reasoning, que estão disponíveis pela Responses API. A mesma técnica teve ainda um efeito colateral: uma economia de cerca de seis vezes nos tokens de saída por jogo.

O que isso significa

O resultado em um benchmark depende não só do modelo, mas também de como a API é configurada e de como o harness de teste é projetado. O mesmo GPT-5.6 Sol faz 13,3% ou 38,3% conforme a configuração, e isso muda a leitura das tabelas comparativas com as quais os laboratórios de IA medem forças entre si.

Perguntas frequentes

O que são retained reasoning e compaction?

O retained reasoning preserva a cadeia de raciocínio privada do modelo entre janelas de contexto, enquanto o compaction resume o contexto antigo em vez de apenas cortá-lo. A OpenAI já usa as duas configurações no ChatGPT e no Codex.

Quanto melhorou o resultado do GPT-5.6 Sol?

No conjunto público do ARC-AGI-3, o resultado subiu de 13,3% para 38,3%, ou seja, cerca de três vezes. O consumo de tokens de saída por jogo caiu cerca de seis vezes.

O GPT-5.6 Sol superou o Opus 5?

Sim. Com as duas configurações, o GPT-5.6 Sol marcou 38,3%, contra 30,2% do Opus 5 da Anthropic no ARC-AGI-3, segundo dados da OpenAI.