Google Gemini 4 Argon 在 ARC-AGI-3 得分 97.5%，逼近前沿但数学与工程仍落后

核心事实

据 the-decoder 报道，Google DeepMind 的新一代前沿模型 Gemini 4 Argon 在 ARC-AGI-3 基准上取得 97.5% 的成绩，测试成本为 4,800 美元。该结果使用的是名为“Provider Adapter Harness”的测试配置，会调用厂商特有的能力，例如保留推理（retained reasoning）与上下文压缩（context compaction）。据 ARC Prize 的说法，Google 由此成为继 OpenAI 之后第二家在该基准上跨过 95% 门槛的 AI 实验室，目前仅有 GPT-6 Astra 以 99.9% 排在更高位置。

在 ARC-AGI-3 的 25 个公开游戏中，Gemini 4 Argon 所需动作数比人类基线少 62%，与 GPT-6 Astra 相同；在其中三个游戏里追平或超过速通纪录，另有六个游戏进入最佳时间 10% 以内。在较早版本上，Argon 于 ARC-AGI-2 得分 91.3%（每任务 0.32 美元），在 ARC-AGI-1 得分 98.5%（每任务 0.16 美元），价格按每百万输入 token 2 美元、每百万输出 token 10 美元的 introductory price 计算。

背景与影响

报道指出，成绩高度依赖测试环境。在只允许轮次之间做简单记录的“Standard Harness”下，Argon 在低推理档位降至 49.8%，成本 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 借助两项 API 设置击败 Claude Opus 5，随后 ARC Prize 联合创始人 Francois Chollet 允许使用通用的、公开可用的 API 设置。测试方还表示，API 问题导致 Argon 无法在 Standard Harness 下完成全部 55 个游戏：低推理档完成 42 个（49.8%），中档完成 46 个（46.3%），最高档仅完成 19 个，因此 ARC Prize 未公布该档分数；已公布结果通过计入中断运行的partial points 覆盖全部 55 个游戏。

研究机构 Epoch AI 的追踪显示，Argon 在 Epoch Capabilities Index（ECI）上得 165 分，与 Fable 5.1 持平，略低于 Opus 5.5（167）和 GPT-6 Astra（166），是 Google 自 2026 年 2 月 Gemini 3.1 Pro 以来距前沿最近的一次，并明显高于 Gemini 3.8 Flash 的 157 分。不过 Epoch AI 指出，Argon 在多项知识、智能体与视觉基准上领先，但初步估计在 Math ECI 上排第八、在 Software Engineering Index（SWE ECI）上排第六。

限制与来源

上述分数均来自第三方评测机构的公开说明，测试配置、成本口径与部分游戏的完成情况存在差异，不同 harness 下的结果不可直接横向比较。模型的具体可用地区、功能范围与定价请以 Google 官网当前信息为准。本文信息来自 the-decoder 的报道，原始数据引自 ARC Prize 与 Epoch AI，相关结论尚未获 Google 官方逐项确认。