Gemini 4 Argon 跻身AI前沿，谷歌时隔数月重回顶级竞争

谷歌DeepMind的Gemini 4 Argon在被广泛视为通用问题解决能力最严苛测试之一的ARC-AGI-3基准中，以97.5%的得分确立了自身地位。此次测试采用「Provider Adapter Harness」环境，该环境允许使用厂商特定功能，包括保留推理链（Retained Reasoning）和上下文压缩（Context Compaction），总计花费约4800美元。ARC Prize官方确认，谷歌由此成为继OpenAI之后第二家在该基准上突破95%的主要AI实验室，目前仅有GPT-6 Astra以99.9%的成绩领先。

在ARC-AGI-3的25个公开游戏中，Gemini 4 Argon与GPT-6 Astra均比人类基准线少用了62%的操作步骤，并在3个游戏中追平或超越了最速通关记录，在另外6个游戏中与最佳成绩的差距也在10%以内。在旧版基准测试上，Argon同样表现出色：ARC-AGI-2得分91.3%（每任务约0.32美元），ARC-AGI-1得分98.5%（每任务约0.16美元）。

然而，测试环境的差异对最终成绩影响极为显著。在仅允许轮间简单记录的「Standard Harness」标准环境下，Argon的得分从97.5%骤降至49.8%，且由于API问题，模型未能完成全部55个游戏——低推理模式下仅完成42个，中等推理模式下完成46个，最高推理模式下仅完成19个，ARC Prize因此未公布最高推理模式的正式得分。这一测试环境争议可追溯至2026年7月，当时OpenAI与Anthropic之间曾就API设置差异引发的基准公平性问题产生公开分歧。

从综合能力来看，Epoch AI的能力指数（ECI）将Argon评定为165分，与当前领先的GPT-6 Astra（166分）和Claude Opus 5.5（167分）仅相差1至2分。这是谷歌自2026年2月Gemini 3.1 Pro发布以来最接近AI前沿的时刻，也远超此前的Gemini 3.8 Flash（157分）。Artificial Analysis和Vals.ai的独立评估也印证了这一趋势。

尽管整体表现强劲，Argon在不同能力维度上的表现仍存在明显分化。根据Epoch AI的评估，Argon在知识问答、智能体任务和视觉理解等多个基准上处于领先位置，但在数学能力指数（Math ECI）中仅排名第八，在软件工程指数（SWE ECI）中排名第六，与头部模型相比仍有明显差距。这表明谷歌在追赶前沿的过程中，垂直领域的深度能力建设仍是重要课题。

Gemini 4 Argon目前已作为谷歌最强前沿模型面向全球用户开放。此次发布标志着谷歌在激烈的AI竞争格局中重新站稳了前沿阵地，但要在数学推理和代码生成等专业领域全面超越OpenAI和Anthropic，仍需持续投入。基准测试环境的标准化问题，也将继续是行业内各方争议的焦点。

要点

• Gemini 4 Argon在ARC-AGI-3「Provider Adapter Harness」环境下得分97.5%，谷歌成为继OpenAI之后第二家突破95%门槛的AI实验室。
• 测试环境对成绩影响极大：切换至标准环境后，Argon得分从97.5%骤降至49.8%，凸显基准测试方法论的争议性。
• Epoch AI综合能力指数显示Argon得165分，与领先的GPT-6 Astra（166分）和Opus 5.5（167分）差距极小，是谷歌数月来最接近前沿的时刻。
• Argon在数学（第八名）和软件工程（第六名）两大垂直领域仍落后于主要竞争对手，综合能力存在明显短板。
• AI基准测试的公平性与标准化问题再度引发关注，API设置差异可能对排名结果产生决定性影响。