Google Gemini 4 Argon 发布，ARC-AGI-3 得分 97.5%

Google Deepmind 是第二个在 ARC-AGI-3 基准测试中突破 95% 的主要 AI 实验室。但据 Epoch AI 称，结果在很大程度上取决于测试方法，而且 Argon 在数学和软件工程方面落后于竞争对手。

Google Deepmind 的新前沿模型 Gemini 4 Argon 在 ARC-AGI-3 上得分 97.5%，成本为 4,800 美元，使用的是“Provider Adapter Harness”，这是一种利用供应商特定功能的测试设置，例如保留推理和上下文压缩。据 ARC Prize 称，Google 现在是继 OpenAI 之后第二个在被广泛认为是最难的通用问题解决基准测试中突破 95% 大关的 AI 实验室。只有 GPT-6 Astra 得分更高，为 99.9%。

与 Astra 一样，Argon 在 25 个公开游戏中所需的操作次数比人类基线少 62%。它在三个游戏中追平或打破了速通纪录，并在另外六个游戏中达到了最佳时间 10% 以内的水平。在旧版本的基准测试中，Argon 在 ARC-AGI-2 上得分 91.3%（每任务 0.32 美元），在 ARC-AGI-1 上得分 98.5%（每任务 0.16 美元），基于每百万输入 token 2 美元和每百万输出 token 10 美元的 introductory price。

基准测试结果在很大程度上取决于测试设置

在“Standard Harness”中，只允许回合之间进行简单笔记，Argon 在低推理下得分降至 49.8%，成本为 5,800 美元。这一差距可追溯到 2026 年 7 月的一场争议，当时 OpenAI 的 GPT-5.6 Sol 使用两个 API 设置在 ARC-AGI-3 上击败了 Claude Opus 5。

GPT-5.6 Sol 在标准环境中仅得到 7.8%，该环境在每次操作后丢弃内部推理，并使用缺少较新 Claude API 功能的旧接口。这意味着 Claude 是在与 GPT-5.6 不同的条件下接受测试的。当使用 OpenAI 自己的 Responses API 进行测试时，包括“保留推理”和智能上下文“压缩”，该模型跃升至 38.3%，击败了 Opus 5 的 30.2%。OpenAI 认为，基准测试也总是衡量技术环境。ARC Prize 联合创始人 Francois Chollet 随后允许使用通用的、公开可用的 API 设置。

API 问题还导致 Argon 无法完成标准测试框架中的全部 55 款游戏，据测试人员称。在低推理水平下，该系统完成了 42 款游戏（49.8%），中等水平下完成了 46 款游戏（46.3%）。在最高水平下，它仅完成了 19 款游戏，因此 ARC Prize 未公布分数。报告的结果仍覆盖全部 55 款游戏，因为其中包含了中止运行的部分得分。

Argon 缩小了差距，但在数学和编码方面落后

研究机构 Epoch AI 也追踪了 Google 的进展。Argon 在 Epoch Capabilities Index（ECI）上得分 165 分，与 Fable 5.1 并列，仅次于 Opus 5.5（167）和 GPT-6 Astra（166）。ECI 将 50 多个基准测试整合为一个单一的能力量表，类似于 Artificial Analysis 构建其主要分数的方式。

Argon 大幅领先 Gemini 3.8 Flash（157 分），使 Google 比自 2 月 Gemini 3.1 Pro 以来的任何时候都更接近榜首。Artificial Analysis 和 Vals.ai 此前已证实了这一趋势。

不过，性能因领域而异。据 Epoch AI 称，Argon 在多项知识、智能体和视觉基准测试中领先，但早期估计显示其在数学 ECI 中排名第八，在软件工程指数（SWE ECI）中排名第六。

没有炒作的 AI 新闻——由人类精选

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、我们每年六次的独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。