今天在 HN 上看到一篇很有意思的技術文章：作者從零訓練一個小 transformer，在 5090 上跑 1.5 小時，成本大概 67 美分，ARC-AGI-1 public eval 做到 44%。標題很容易被讀成「小模型打敗很多 LLM」，但我覺得真正值得談的是另一件事：AI 到底怎麼學會一個新規則？

ARC 這類題目對老師來說很熟悉。它不是考你背過多少知識，而是給你幾組 input-output grid，請你找出背後規則，再套到新題目。學生寫這種題目的時候，通常不是把所有答案記下來，而是在很少的例子裡抓結構，像顏色怎麼變、位置怎麼移、形狀怎麼重組。

作者關心的 sample efficiency，其實就是這件事。現在很多大型模型很強，但它們常常靠大量 pretraining、post-training 和 synthetic data，把某種題型看過非常多次。這當然有效，可是從教育角度看，這比較像大量刷題後變熟，不一定代表理解能力變強。

這篇有趣的地方在於，作者試著讓一個小 transformer 在很低成本下，靠 test-time training、3D RoPE、per-task embedding、資料增強和比較現代的訓練細節，直接在少量題目裡學規則。Ablation 也很明確，拿掉 3D RoPE 或每題自己的 embedding，成績會大幅掉到二十幾趴。換句話說，它不是魔法，而是把「題目中的位置關係」和「每一題自己的語境」編碼得比較好。

我覺得這對 AI 素養很重要。很多學生現在看模型答對，就以為模型懂了。但在教學現場，我們更在乎的是它怎麼答對：是看過類似題庫？是靠提示一步步推？還是真的能從少量例子歸納規則？這三件事對學習的意義完全不同。

HN 討論裡也有人質疑這是不是 overfitting 或 benchmaxxing。這個爭議本身就很適合拿來教學生理解 benchmark。作者沒有訓練在 test labels 上，但它確實高度針對 ARC 的任務形式設計。這不一定是作弊，可是提醒我們，任何分數都要問清楚評量條件。考試分數不是能力本身，只是某個規則下的表現。

所以我不會把這篇解讀成「小模型終於贏過大模型」。我更想把它放在課堂上問學生：如果一個系統能用很少資料學會規則，這算不算理解？如果它只在某種題型上有效，我們該怎麼描述它的能力邊界？

AI 教育最需要的也許不是教大家追最新模型，而是練習看懂這種差別。會解題、會刷題、會學習，三者很像，但不能混在一起。