Gemini 4 Argon考出97.5%，AGI终极考场被谷歌打穿

谷歌在号称“AGI终极考场”的ARC-AGI-3上取得突破。ARC Prize官方公布，Gemini 4 Argon在该测试中拿到97.5%。而七个月前ARC-AGI-3刚上线时，所有前沿模型分数均不到1%。ARC Prize特别指出，Google DeepMind是第二家在ARC-AGI-3上突破95%的AI实验室，第一家是OpenAI。

Gemini 4 Argon在三代考题上全部拿下：ARC-AGI-1得分98.5%，每题成本0.16美元；ARC-AGI-2得分91.3%，每题成本0.32美元；ARC-AGI-3得分97.5%，整套跑完花费4800美元。该成绩在排行榜上仅次于OpenAI的GPT-6 Astra（99.9%），超过OpenAI 9月底发布的GPT-6.1 Sol（96.37%）。9月30日Argon发布时，谷歌博客主打复杂工作流、编码和网络安全，未提及ARC-AGI；此次成绩公布后谷歌也未置评。

ARC-AGI-3并非传统选择题或填空题式基准，而是交互式游戏环境：没有说明书、预设指令或明确目标，模型被放入64×64彩色格子、7个动作按钮的陌生小游戏，需自行试错、推断规则、发现目标并规划通关，考察面对全新事物时的现学现会能力。

时间线显示进展迅速：3月下旬ARC-AGI-3上线时所有前沿模型不到1%；9月2日OpenAI GPT-6 Astra在Provider Adapter设置下达到99.9%以上，成为首家突破95%的实验室；9月29日GPT-6.1 Sol得分96.37%；9月30日谷歌发布Gemini 4 Argon；10月16日ARC Prize公布Argon验证成绩97.5%。效率方面，在25个公开游戏中，Argon通关所需行动次数比人类基线少62%，其中3个游戏追平或超过速通纪录，另外6个与纪录差距不到10%。ARC Prize联合创始人Mike Knoop称Argon是第二个通过Provider Adapter“有效最大化”ARC-AGI-3的模型家族，并提到行动效率出现“反向弯曲”，提升速度快于预期。

成绩单中另有一组关键数据：同一模型同一考题，在Provider Adapter harness下为97.5%、花费4800美元；在Standard harness下仅49.8%、花费5800美元。两者相差近48个百分点，且标准harness花费更高。标准harness下，低推理档49.8%（55个游戏完成42个），中推理档46.3%（完成46个），高推理档因API问题仅跑完19个未公布分数；中档多完成4个游戏，总分反而低3.5个百分点。榜首GPT-6 Astra的99.9%同样来自Provider Adapter，换成标准harness仅62.7%。Anthropic的Claude系列在ARC-AGI-1和ARC-AGI-2上分数较高，但在ARC-AGI-3上要么得分偏低，要么未测。目前该考场上主要是OpenAI和谷歌两家竞争。

真正值得关注的是：号称“AGI终极考场”的基准上线时让前沿模型集体交白卷，七个月后就被两家巨头做到接近满分，衡量智能的尺子被追上的速度越来越快。而49.8%的分数线提醒人们，当前比较的已不是模型本身的裸智能，而是模型加harness的整套系统；谁会搭操作台，谁就多拿近一半的分。今后看AI榜单，括号中标注的是哪种harness，与分数本身同样重要。