谷歌 Gemini 4 Argon：数月来最接近 AI 前沿的谷歌模型
2026-10-16
Google Deepmind 是第二家通过 ARC-AGI-3 基准 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，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 ARC-AGI-3 上得分 97.5%，成本为 4,800 美元，使用的是 Provider Adapter Harness，一种使用保留推理和上下文压缩等供应商特定功能的测试设置。
根据 ARC Prize，谷歌现在是继 OpenAI 之后第二家跨过 95% 门槛的 AI 实验室，该基准被广泛认为是通用问题解决的最难基准。只有 GPT-6 Astra 得分更高，为 99.9%。
在只允许轮次之间做简单记录的 Standard Harness 中，Argon 在低推理水平下掉到 49.8%，成本为 5,800 美元。
Gemini 4 Argon 在 ARC-AGI-3 拿到 97.5%，成为第二家跨过 95% 门槛的实验室；但成绩高度依赖测试装置，在标准环境下骤降至 49.8%，数学与软件工程维度仍处中游。
- Gemini 4 Argon 在 ARC-AGI-3 拿到 97.5%，成为第二家跨过 95% 门槛的实验室；但成绩高度依赖测试装置，在标准环境下骤降至 49.8%，数学与软件工程维度仍处中游。
- 原贴提到：Google Deepmind is the second major AI lab to pass 95 percent on the ARC
- 来源：the-decoder.com
这是什么信号
据 The Decoder 报道，Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 上拿到 97.5%，成为继 OpenAI 之后第二家跨过 95% 门槛的实验室。同一份材料还给出两个不能忽略的数字：在只用简单笔记的 Standard Harness 下，低推理档位只有 49.8%；在 Epoch Capabilities Index 上得 165 分，与 Fable 5.1 持平，仍低于 Opus 5.5 的 167 和 GPT-6 Astra 的 166。
也就是说，这不是「谷歌反超」的公告，而是「谷歌回到牌桌」的公告。原文的判断很直接：这是谷歌自 Gemini 3.1 Pro 以来最接近前沿的一次。
为什么重要
真正的信息藏在测试方法里。Argon 的 97.5% 是在 Provider Adapter Harness 下取得的：它允许保留推理、压缩上下文这类厂商专有特性，成本 4,800 美元。换成不允许这些特性的标准环境，分数直接掉近 48 个百分点。原文还回溯了 2026 年 7 月那场争议：GPT-5.6 Sol 用两个 API 设置击败 Claude Opus 5，而在丢弃内部推理的标准环境下只有 7.8%。ARC Prize 联合创始人 Francois Chollet 随后放开了「通用、公开可用的 API 设置」。
结论很清楚：基准分数现在测的不只是模型，还包括技术环境。任何直接把榜单数字当采购依据的做法，从这一刻起都不可靠了。
对谁有价值
- 企业技术选型负责人：需要区分「前沿能力」和「在你的环境里可用的能力」，两者的差距可能是一倍。
- AI 产品与工程团队：如果你的产品依赖长链路智能体，保留推理与上下文压缩不是可选项，而是能力本身。
- 投资与竞争情报：ECI 这类把 50 多个基准压成一维的量表，比单一榜单更能看出梯队位置。
- 关注谷歌生态的开发者：谷歌回到第一梯队，意味着工具链与价格竞争有新变量。
可以怎么行动
- 不要拿公开榜单做决策。用你自己的 harness、自己的任务集、自己的 API 配置复现一遍。
- 同时测两档：厂商最优配置下的上限，以及标准环境下的下限。用两者的差值衡量「可移植性」。
- 把评测成本纳入指标。原文给了具体口径：ARC-AGI-2 每任务 0.32 美元、ARC-AGI-1 每任务 0.16 美元，基于每百万输入 token 2 美元、输出 10 美元的 introductory price。
- 按域选型。Argon 在知识、智能体、视觉类基准领先，但早期估计在 Math ECI 排第八、SWE ECI 排第六，数学与代码密集型场景不要默认押注。
风险与限制
- 原文明确指出，API 问题导致 Argon 在 Standard Harness 下无法跑完全部 55 局：低推理完成 42 局、中推理 46 局、最高推理只完成 19 局，ARC Prize 因此未公布该档分数。
- 已公布结果包含中止运行的局部得分，覆盖全部 55 局，这意味着分数口径与完整跑完并不等价。
- 数学与软件工程排名来自 Epoch AI 的早期估计，不是终值。
- 把厂商专有 API 特性写进评测协议，会让不同实验室的成绩之间失去严格可比性，这一结构性争议并未真正解决，只是被规则松绑暂时绕开。
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：数月来最接近 AI 前沿的谷歌模型》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。