Google Gemini 4 Argon 成为数月来最接近AI前沿的谷歌模型
Google Deepmind 是继 OpenAI 之后第二个在 ARC-AGI-3 基准测试中得分超过 95 分的大型 AI 实验室。但结果受测试方法影响巨大，据 Epoch AI 称，Argon 在数学和软件工程方面仍落后于竞争对手。
Google Deepmind 的新旗舰模型 Gemini 4 Argon 在 ARC-AGI-3 上得分 97.5 分，使用“Provider Adapter Harness”测试环境，成本为 4800 美元。该环境利用供应商特定功能，如保留推理和上下文压缩。ARC Prize 认为，Google 现在是继 OpenAI 之后第二个在通用问题求解最难的基准测试中突破 95 分大关的 AI 实验室。只有 GPT-6 Astra 得分更高，达 99.9 分。
与 Astra 类似，Argon 在这 25 个公开游戏中比人类基线少用了 62 次操作。它在三个游戏中刷新或追平速通纪录，在另外六个游戏中距离最佳成绩仅差 10 分。在旧版本基准中，Argon 在 ARC-AGI-2 上得分为 91.3 分（每任务 0.32 美元），在 ARC-AGI-1 上得分为 98.5 分（每任务 0.16 美元），这基于每百万输入 token 2 美元、每百万输出 token 10 美元的入门价格。
基准测试结果很大程度上取决于测试环境
在只允许回合之间进行简单笔记的"Standard Harness"测试中，Argon 在低推理强度下得分降至 49.8%，成本为 5800 美元。这一差距要追溯到 2026 年 7 月的一场争议：OpenAI 借助两种 API 设置，让 GPT-5.6 Sol 在 ARC-AGI-3 上击败了 Claude Opus 5。
在标准环境下，GPT-5.6 Sol 只拿到 7.8%。这个环境会在每次操作后丢弃内部推理过程，且使用的是缺少较新 Claude API 功能的旧接口，等于让 Claude 在与 GPT-5.6 不同的条件下接受测试。而当 OpenAI 使用自家的 Responses API 进行测试，并启用"Retained Reasoning"（保留推理）和智能上下文"Compaction"（压缩）功能后，模型成绩跃升至 38.3%，超过了得分 30.2% 的 Opus 5。OpenAI 当时的理由是：基准测试衡量的永远包括技术环境本身。ARC Prize 联合创始人 Francois Chollet 随后放开了通用、公开可用的 API 设置。
据测试方介绍，API 问题也导致 Argon 未能完成 Standard Harness 中的全部 55 局游戏。低推理强度下完成了 42 局（49.8%），中等强度 46 局（46.3%）。在最高强度下只完成了 19 局，因此 ARC Prize 没有公布该项分数。不过报告中的成绩仍然覆盖全部 55 局游戏，因为把中断运行的部分得分也计入在内。
Argon 缩小了差距，但数学和编程仍落后
研究机构 Epoch AI 也在追踪 Google 的进展。Argon 在 Epoch Capabilities Index（ECI）上拿到 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 多项基准测试汇总成一个统一的能力评分，思路与 Artificial Analysis 构建主评分的方式类似。
Argon 的表现大幅领先于 Gemini 3.8 Flash（157 分），使谷歌自 2 月 Gemini 3.1 Pro 以来首次如此接近榜首。Artificial Analysis 和 Vals.ai 此前已确认了这一趋势。
不过，不同领域的表现有所差异。根据 Epoch AI 的数据，Argon 在多项知识、Agent 和视觉基准测试中处于领先地位，但早期估算显示其在数学 ECI 中排名第八，在软件工程指数（SWE ECI）中排名第六。