Knowledge File / 全球热点解读

2026-10-16 2 浏览公开

谷歌 Gemini 4 Argon 比数月来任何谷歌模型都更接近 AI 前沿

Q: 这篇文章和哪些AI专题相关？

它适合放在AI日报、AI工具、Agent工作流专题里阅读。 关联原因：这篇内容命中「热点解读」等主题信号。；这篇内容命中「模型」等主题信号。；这篇内容来自该专题长期覆盖的栏目。

谷歌 Deepmind 的 Gemini 4 Argon 在 ARC-AGI-3 上得分 97.5%，成为第二个突破 95% 的 AI 实验室，仅次于 GPT-6 Astra。但在标准测试装置下得分降至 49.8%，结果高度依赖 API 设置；Epoch AI 的 ECI 得分 165，接近前沿，但数学和软件工程领域仍排第八和第六。

SOURCE / 全球热点解读 MIN / 9 ACCESS / 公开 POST / 2026-10-16 23:03:46

原贴

查看原文

作者：Matthias Bastian 来源站点：the-decoder.com 原贴时间： 2026-10-16 23:03:46

原文

Google Deepmind is the second major AI lab to pass 95 percent on the ARC-AGI-3 benchmark. But the results depend heavily on the testing method, and Argon trails rivals in math and software engineering, according to Epoch AI. Google Deepmind's new frontier model, Gemini 4 Argon, scored 97.5 percent on ARC-AGI-3 at a cost of $4,800 using the "Provider Adapter Harness," a test setup that uses vendor-specific features like retained reasoning and context compaction. According to ARC Prize, Google is now the second AI lab after OpenAI to cross the 95 percent mark on what is widely considered the toughest benchmark for general problem-solving. Only GPT-6 Astra scores higher at 99.9 percent. Like Astra, Argon needed 62 percent fewer actions than the human baseline across the 25 public games. It matched or beat the speedrun record in three games and came within 10 percent of the best time in six others. On older versions of the benchmark, Argon scored 91.3 percent on ARC-AGI-2 ($0.32 per task) and 98.5 percent on ARC-AGI-1 ($0.16 per task), based on the introductory price of $2 per million input tokens and $10 per million output tokens. Ad In the "Standard Harness," which only allows simple notes between rounds, Argon drops to 49.8 percent at low reasoning for $5,800. This gap traces back to a July 2026 dispute when OpenAI's GPT-5.6 Sol beat Claude Opus 5 on ARC-AGI-3 using two API settings . Ad GPT-5.6 Sol only managed 7.8 percent in the standard environment, which discards internal reasoning after each action and used an older interface lacking newer Claude API features. That meant Claude was tested under different conditions than GPT-5.6. When tested with OpenAI's own Responses API, including "Retained Reasoning" and smart context "Compaction," the model jumped to 38.3 percent and beat Opus 5 at 30.2 percent. OpenAI argued that benchmarks always measure the technical environment too. ARC Prize co-founder Francois Chollet then allowed general, publicly available API settings. API problems also prevented Argon from completing all 55 games in the Standard Harness, according to the testers . At low reasoning, the system finished 42 games (49.8 percent), at medium 46 games (46.3 percent). At the highest level, it only completed 19 games, so ARC Prize did not publish a score. The reported results still cover all 55 games by including partial points from aborted runs. Ad Research institute Epoch AI tracked Google's progress too. Argon scored 165 points on the Epoch Capabilities Index (ECI), tying Fable 5.1 and landing just behind Opus 5.5 (167) and GPT-6 Astra (166). The ECI combines over 50 benchmarks into a single capability scale, similar to how Artificial Analysis builds its main score. Argon jumps well ahead of Gemini 3.8 Flash (157 points) and brings Google closer to the top than at any point since Gemini 3.1 Pro in February. Artificial Analysis and Vals.ai confirmed this trend before. Ad Performance varies by domain, though. According to Epoch AI , Argon leads several knowledge, agent, and vision benchmarks, but early estimates put it in eighth on the Math ECI and sixth on the Software Engineering Index (SWE ECI). Ad Subscribe to THE DECODER for ad-free reading, a weekly AI newsletter, our exclusive "AI Radar" frontier report six times a year, full archive access, and access to our comment section.

中文翻译

谷歌 Deepmind 是第二个在 ARC-AGI-3 基准上超过 95% 的主要 AI 实验室。但根据 Epoch AI，结果在很大程度上取决于测试方法，并且 Argon 在数学和软件工程方面落后于竞争对手。

谷歌 Deepmind 的新前沿模型 Gemini 4 Argon 使用“Provider Adapter Harness”在 ARC-AGI-3 上得分 97.5%，成本为 4,800 美元，该测试设置使用供应商特定功能，如保留推理和上下文压缩。根据 ARC Prize，谷歌现在是继 OpenAI 之后第二个在普遍被认为是通用问题解决最难基准上跨过 95% 门槛的 AI 实验室。只有 GPT-6 Astra 得分更高，为 99.9%。与 Astra 一样，Argon 在 25 个公开游戏中需要的动作比人类基线少 62%。它在三个游戏中匹配或打破了速通记录，并在另外六个游戏中达到最佳时间 10% 以内。

在该基准的旧版本上，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），基于每百万输入 token 2 美元和每百万输出 token 10 美元的介绍性价格。

在“Standard Harness”中，仅允许回合之间进行简单笔记，Argon 在低推理下降至 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 使用两种 API 设置在 ARC-AGI-3 上击败了 Claude Opus 5。GPT-5.6 Sol 在标准环境中仅达到 7.8%，该环境在每次动作后丢弃内部推理，并使用缺少较新 Claude API 功能的较旧接口。这意味着 Claude 与 GPT-5.6 是在不同条件下测试的。当使用 OpenAI 自己的 Responses API 测试时，包括“Retained Reasoning”和智能上下文“Compaction”，该模型跃升至 38.3%，并击败了 30.2% 的 Opus 5。OpenAI 认为基准总是也在测量技术环境。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。

根据测试者，API 问题也阻止了 Argon 在 Standard Harness 中完成全部 55 个游戏。在低推理下，系统完成 42 个游戏（49.8%），中推理下完成 46 个游戏（46.3%）。在最高级别，它只完成 19 个游戏，因此 ARC Prize 没有发布分数。报告的结果仍然通过包括中止运行的局部得分覆盖全部 55 个游戏。

研究机构 Epoch AI 也追踪了谷歌的进展。Argon 在 Epoch Capabilities Index（ECI）上得分 165，与 Fable 5.1 持平，仅次于 Opus 5.5（167）和 GPT-6 Astra（166）。ECI 将 50 多个基准合并为一个单一能力量表，类似于 Artificial Analysis 构建其主分数的方式。Argon 远远领先于 Gemini 3.8 Flash（157 分），并使谷歌比自 2 月 Gemini 3.1 Pro 以来的任何时候都更接近顶部。Artificial Analysis 和 Vals.ai 此前也确认了这一趋势。

不过，性能因领域而异。根据 Epoch AI，Argon 在若干知识、代理和视觉基准上领先，但早期估计将其排在 Math ECI 第八和 Software Engineering Index（SWE ECI）第六。

核心信息

谷歌 Deepmind 的 Gemini 4 Argon 在 ARC-AGI-3 上得分 97.5%，成为第二个突破 95% 的 AI 实验室，仅次于 GPT-6 Astra。但在标准测试装置下得分降至 49.8%，结果高度依赖 API 设置；Epoch AI 的 ECI 得分 165，接近前沿，但数学和软件工程领域仍排第八和第六。

谷歌 Deepmind 的 Gemini 4 Argon 在 ARC-AGI-3 上得分 97.5%，成为第二个突破 95% 的 AI 实验室，仅次于 GPT-6 Astra。但在标准测试装置下得分降至 49.8%，结果高度依赖 API 设置；Epoch AI 的 ECI 得分 165，接近前沿，但数学和软件工程领域仍排第八和第六。
原贴提到：Google Deepmind is the second major AI lab to pass 95 percent on the ARC
来源：the-decoder.com

详细解读

这是什么信号：谷歌 Deepmind 的 Gemini 4 Argon 在 ARC-AGI-3 上拿到 97.5%，成为继 OpenAI 之后第二个跨过 95% 的主要实验室；在 Epoch AI 的 ECI 上得 165 分，回到自 2 月 Gemini 3.1 Pro 以来最接近前沿的位置。这不是一次普通升级，而是谷歌在通用问题解决基准上重新进入第一梯队的信号。

为什么重要：ARC-AGI-3 被广泛视为通用问题解决最难基准，但 Argon 的高分依赖“Provider Adapter Harness”中的保留推理和上下文压缩等供应商特定功能；在只允许简单笔记的“Standard Harness”中，低推理下得分跌至 49.8%，且因 API 问题没有完成全部 55 个游戏。这说明当前模型排名高度依赖测试环境，而非单纯模型能力。2026 年 7 月 GPT-5.6 Sol 与 Claude Opus 5 的争议进一步放大了这个问题：同一模型在不同 API 设置下可以从 7.8% 跳到 38.3%。因此，ARC Prize 允许公开 API 设置，评估公平性和可复现性成为核心议题。

对谁有价值：AI 研究者需要关注评估方法；企业选型者不能只看 97.5% 这一单一数字，而要区分测试装置和 API 配置；开发者和投资者需要把 ECI、ARC-AGI 与领域基准结合，判断谷歌是否真正缩小了与 OpenAI 的差距。Argon 在知识、代理和视觉基准领先，但在 Math ECI 排第八、SWE ECI 排第六，说明它并非全面领先。

可以怎么行动：第一，在内部评估中复现标准测试装置和供应商适配器两种设置，记录推理保留、上下文压缩等 API 参数；第二，按数学、软件工程、代理、视觉等领域建立评分卡，而不是只追踪一个总榜；第三，跟踪 ARC Prize、Epoch AI、Artificial Analysis 和 Vals.ai 的后续更新，观察 Argon 在完整 55 个游戏和最高推理等级下的表现；第四，在选型时对数学和软件工程任务保持谨慎，必要时用自有任务集验证。

风险或限制：Argon 的报告结果包含中止运行的局部得分，最高推理等级只完成 19 个游戏，ARC Prize 未发布对应分数；标准装置下完成率不足，说明结果可能被测试条件放大。基准本身也可能被配置优化，供应商特定功能让跨模型比较更困难。此外，ECI 排名是综合分，领域短板可能被整体分数掩盖。谷歌虽然接近前沿，但在数学和软件工程等关键商业场景中仍落后于竞争对手，不能仅凭 ARC-AGI-3 断定其全面领先。

信息差价值

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《谷歌 Gemini 4 Argon 比数月来任何谷歌模型都更接近 AI 前沿》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

参考来源

Matthias Bastian 原帖

TOPIC HUBS

延伸专题

AI日报 AI日报：每日AI信号、工具动态与行动判断

这篇内容命中「热点解读」等主题信号。

AI工具 AI工具：模型、插件、自动化与实战场景

这篇内容命中「模型」等主题信号。

Agent工作流 Agent工作流：智能体、AI编程与自动化协作

这篇内容来自该专题长期覆盖的栏目。

AI SUMMARY

这篇文章回答了什么