8.0
热点
AI SCORE
模型发布2026-10-16 23:03
Gemini 4 Argon 高分依赖评测配置
The Decoder#谷歌#模型评测
Editor brief · 编辑速览
Gemini 4 Argon 在特定测试设置下取得 ARC-AGI-3 的 97.5% 成绩，但标准测试框架下仅为 49.8%。其数学和软件工程表现仍落后于竞争模型。
Gemini 4 Argon 在特定测试设置下取得 ARC-AGI-3 的 97.5% 成绩，但标准测试框架下仅为 49.8%。其数学和软件工程表现仍落后于竞争模型。
Google Deepmind 成为第二家在 ARC-AGI-3 benchmark 上突破 95% 的大型 AI 实验室。不过，测试结果高度依赖测试方式。Epoch AI 的数据显示，Argon 在数学和软件工程方面仍落后于竞争对手。
Google Deepmind 的新前沿模型 Gemini 4 Argon 在 ARC-AGI-3 上取得了 97.5% 的成绩，测试成本为 4,800 美元，采用的是「Provider Adapter Harness」。这套测试环境支持供应商特有的功能，例如保留推理过程和上下文压缩。据 ARC Prize 介绍，Google 如今成为继 OpenAI 之后，第二家在这项被广泛视为通用问题求解领域最难 benchmark 的测试中突破 95% 的 AI 实验室。只有 GPT-6 Astra 的得分更高，达到 99.9%。
在 ARC-AGI-3 的 25 个公开游戏中，Gemini 4 Argon（黄色）和 GPT-6 Astra（蓝色）所需的操作次数都比人类基线（紫色）少 62%，而且经常接近速通纪录（红色）。｜图片：ARC Prize
与 Astra 一样，Argon 在这 25 个公开游戏中所需的操作次数比人类基线少 62%。它在其中 3 个游戏中追平或打破了速通纪录，另有 6 个游戏的成绩与最佳用时相差不超过 10%。在旧版 benchmark 上，Argon 在 ARC-AGI-2 中得分为 91.3%（每项任务 0.32 美元），在 ARC-AGI-1 中得分为 98.5%（每项任务 0.16 美元）。这些成本按首发价格计算：每百万 input tokens 2 美元，每百万 output tokens 10 美元。
在 ARC-AGI-3 的 25 个公开游戏中，Gemini 4 Argon（黄色）和 GPT-6 Astra（蓝色）所需的操作次数都比人类基线（紫色）少 62%，而且经常接近速通纪录（红色）。｜图片：ARC Prize
在「Standard Harness」中，模型只能在轮次之间保留简单笔记。采用 low 推理档位时，Argon 的得分降至 49.8%，测试成本为 5,800 美元。这种差距可以追溯到 2026 年 7 月的一场争议：当时，OpenAI 的 GPT-5.6 Sol 借助两项 API 设置，在 ARC-AGI-3 上击败了 Claude Opus 5。
GPT-5.6 Sol 在标准环境中只取得了 7.8% 的成绩。这套环境会在每次操作后丢弃内部推理过程，而且使用的旧接口不支持较新的 Claude API 功能。这意味着，Claude 与 GPT-5.6 接受测试时的条件并不相同。改用 OpenAI 自家的 Responses API，并启用「Retained Reasoning」和智能上下文「Compaction」后，模型得分跃升至 38.3%，超过了 Opus 5 的 30.2%。OpenAI 认为，benchmark 衡量的始终也包括技术环境。随后，ARC Prize 联合创始人 Francois Chollet 允许使用通用、公开可用的 API 设置。
据测试人员介绍，API 问题还导致 Argon 无法在 Standard Harness 中完成全部 55 个游戏。在 low 推理档位下，系统完成了 42 个游戏，得分为 49.8%；在 medium 档位下，完成了 46 个游戏，得分为 46.3%。在最高档位下，它只完成了 19 个游戏，因此 ARC Prize 没有公布分数。已公布的结果仍覆盖全部 55 个游戏，其中计入了中途终止的测试所获得的部分分数。
研究机构 Epoch AI 也追踪了 Google 的进展。Argon 在 Epoch Capabilities Index（ECI）上获得 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 多项 benchmark 汇总到统一的能力量表上，其做法与 Artificial Analysis 构建主要评分的方式类似。
Google 凭借 165 分的 ECI 成绩，与 GPT-6 Astra（166 分）和 Opus 5.5（167 分）所代表的当前 AI 前沿水平之间的距离，缩小到了自 2026 年 2 月 Gemini 3.1 Pro 发布以来的最小程度。｜图片：Epoch AI
Argon 大幅领先于 Gemini 3.8 Flash（157 分），让 Google 比 2 月 Gemini 3.1 Pro 发布以来的任何时候都更接近榜首。Artificial Analysis 和 Vals.ai 此前也证实了这一趋势。
不过，它在不同领域的表现并不一致。根据 Epoch AI 的数据，Argon 在多项知识、Agent 和视觉 benchmark 中领先，但初步估算显示，它在 Math ECI 中排名第八，在 Software Engineering Index（SWE ECI）中排名第六。
订阅 THE DECODER，即可享受无广告阅读、每周 AI newsletter、每年六期的独家「AI Radar」前沿报告、完整历史内容访问权限，以及评论区访问权限。