Gemini 4 Argon 在 ARC-AGI-3 拿到 97.5%，标准测试环境下跌至 49.8%

Google DeepMind 的新模型 Gemini 4 Argon 在 ARC-AGI-3 上取得 97.5%，测试使用 Provider Adapter Harness，依赖保留推理和上下文压缩等厂商特定功能，成本 4800 美元。在 25 个公开游戏中，Argon 所需操作比人类基线少 62%，在 3 个游戏追平或打破速通记录。旧版基准上，ARC-AGI-2 得分 91.3%（每任务 0.32 美元），ARC-AGI-1 得分 98.5%（每任务 0.16 美元），按每百万输入 2 美元、输出 10 美元的推广价计算。 但在仅允许简单笔记的 Standard Harness 下，低推理档只有 49.8%，成本反升至 5800 美元；API 问题还导致低推理档只完成 42 个游戏、中档 46 个、最高档仅 19 个，ARC Prize 因此未公布最高档分数。这一差距源于 2026 年 7 月 OpenAI 与 Anthropic 关于测试环境的争议，最终 ARC Prize 允许使用公开可用的通用 API 设置。 Epoch AI 的 ECI 指数上 Argon 得 165 分，与 Fable 5.1 持平，略低于 Opus 5.5 的 167 和 GPT-6 Astra 的 166，领先 Gemini 3.8 Flash 的 157 分。但在数学 ECI 排第八、软件工程指数 SWE ECI 排第六。调用 Gemini API 做数学推理或代码生成的团队，不能把 ARC-AGI-3 的高分等同于这些领域的实际能力提升。