Google Gemini 4 Argon 在 ARC-AGI-3 得分 97.5%，但换测试环境后降至 49.8%

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 在使用“Provider Adapter Harness”的情况下，以 4,800 美元的成本在 ARC-AGI-3 上取得了 97.5% 的得分；该测试环境使用了供应商特定的功能，例如保留推理和上下文压缩。据 ARC Prize 称，在被广泛认为是通用问题求解最困难基准的这项测试中，Google 现在是继 OpenAI 之后第二个跨过 95% 门槛的 AI 实验室。只有 GPT-6 Astra 得分更高，为 99.9%。

与 Astra 一样，在 25 个公开游戏中，Argon 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与最佳用时相差不到 10%。在该基准的旧版本上，基于每百万输入 token 2 美元、每百万输出 token 10 美元的 introductory price，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）。

基准测试结果在很大程度上取决于测试环境

在仅允许轮次之间进行简单笔记的“Standard Harness”中，Argon 在低推理档下得分降至 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 使用两项 API 设置，在 ARC-AGI-3 上击败了 Claude Opus 5。

GPT-5.6 Sol 在标准环境中仅取得 7.8% 的得分，该环境会在每次操作后丢弃内部推理，并且使用的是缺少较新 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 自家的 Responses API（包括“Retained Reasoning”和智能上下文“Compaction”）进行测试时，该模型跃升至 38.3%，击败了得分为 30.2% 的 Opus 5。OpenAI 认为，基准测试始终也在衡量技术环境。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。

据测试人员称，API 问题还导致 Argon 无法在 Standard Harness 中完成全部 55 个游戏。在低推理档下，该系统完成了 42 个游戏（49.8%），在中推理档下完成了 46 个游戏（46.3%）。在最高档下，它仅完成了 19 个游戏，因此 ARC Prize 未公布得分。报告的结果仍通过计入中止运行的部分得分，覆盖了全部 55 个游戏。

Argon 缩小了差距，但在数学和编程方面落后

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 持平，仅落后于 Opus 5.5（167 分）和 GPT-6 Astra（166 分）。ECI 将 50 多个基准整合为一个单一能力量表，类似于 Artificial Analysis 构建其主要得分的方式。

Argon 大幅领先于 Gemini 3.8 Flash（157 分），并使 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、智能体和视觉基准上领先，但早期估计显示，它在数学 ECI 上排名第八，在软件工程指数（SWE ECI）上排名第六。