Opus 4.8 triplica a pontuação do GPT-5.5 no benchmark ARC-AGI-3

O ARC-AGI-3 não é um teste de memória ou padrão, é um desafio de inteligência fluida: resolver tarefas completamente novas, sem exemplos prévios, inferindo regras, explorando ambientes e construindo modelos mentais em tempo real. Em 2026, quase nenhum modelo ultrapassa 1% nesse benchmark. O Opus 4.8 chegou a 1,5%, triplicando o GPT-5.5 (0,5%), que havia liderado o ARC-AGI-2 com 85%. Essa inversão mostra que o salto não foi incremental: é uma mudança de regime no raciocínio abstrato, não só em velocidade ou cobertura de domínios.

A Anthropic não só melhorou a pontuação, ajustou a arquitetura para esforço controlável, permitindo que o modelo aloque recursos cognitivos de forma granular em cada passo de raciocínio. Isso explica por que ele supera o GPT-5.5 em SWE-bench Pro (69,2% vs 58,6%) e OSWorld-Verified, mas perde no Terminal-Bench 2.1 (74,6% vs 78,2%). Não é 'mais inteligente', é mais adaptável: prioriza precisão sobre rapidez em tarefas agênticas, enquanto o GPT-5.5 otimiza para iteração rápida em linha de comando.

Na cobertura anterior do CEVIU (30/05), já tínhamos o lançamento do Opus 4.8 com 'melhorias significativas em benchmarks' e controles de esforço. Agora, com os dados do ARC-AGI-3 divulgados em 02/06, sabemos exatamente onde essa melhoria se concretizou: não em velocidade ou volume de contexto, já eram fortes no 4.7 , , mas na capacidade de generalização sob escassez de informação. O rumor de 'raciocínio mais profundo' virou métrica objetiva: 1,5% no ARC-AGI-3 é o maior valor registrado até hoje, superando inclusive o Qwen3.7-Max, que lidera em benchmarks de agentes especializados, mas não nesse teste de inteligência fluida pura.

Modelos que passam no ARC-AGI-3 não são só melhores em provas, eles têm potencial real para operar em ambientes dinâmicos sem documentação prévia: depurar sistemas legados, auditar código obscuro, interagir com APIs não documentadas ou até simular cenários científicos inéditos. O fato de o Opus 4.8 ter janela de contexto de 1 milhão de tokens *e* maior eficiência por token de saída (17% mais barato que o GPT-5.5) torna esse avanço prático, não teórico. Para engenheiros de software e equipes de IA aplicada, isso significa menos prompt engineering para tarefas complexas e mais confiança em decisões autônomas do agente.