谷歌 DeepMind 的新一代前沿模型 Gemini 4 Argon 在 ARC-AGI-3 基准测试中取得 97.5% 的成绩，成为继 OpenAI 之后第二家在该基准上跨过 95% 门槛的 AI 实验室。据 ARC Prize 数据，目前只有 OpenAI 的 GPT-6 Astra 得分更高，为 99.9%。ARC-AGI-3 被广泛视为通用问题求解领域最难的基准之一。

这一成绩的取得方式值得关注。Argon 的 97.5% 是在所谓「Provider Adapter Harness」环境下测得的，该环境允许使用厂商专属功能，例如保留推理（retained reasoning）和上下文压缩（context compaction），测试成本约为 4800 美元。在 ARC-AGI-3 的 25 个公开游戏中，Argon 与 GPT-6 Astra 所需操作次数均比人类基线少 62%，并在其中三个游戏中追平或打破了速通纪录，另有六个游戏的表现与最佳用时相差不到 10%。

但在更严格的标准测试框架（Standard Harness）下，情况截然不同。该框架只允许轮次之间做简单记录，Argon 在低推理档位下的得分骤降至 49.8%，成本约 5800 美元。这一巨大落差并非孤例，其背景可追溯到 2026 年 7 月的一场争议：当时 OpenAI 的 GPT-5.6 Sol 借助两项 API 设置击败了 Claude Opus 5。在标准环境下，GPT-5.6 Sol 仅得 7.8%，因为该环境会在每次操作后丢弃内部推理，且使用的旧接口缺少 Claude API 的新功能，导致 Claude 与 GPT-5.6 是在不同条件下被测试的。当改用 OpenAI 自家的 Responses API（含保留推理与智能上下文压缩）后，该模型得分跃升至 38.3%，反超 Opus 5 的 30.2%。OpenAI 当时主张，基准测试本就在测量技术环境。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。

API 问题还影响了 Argon 在标准框架下完成全部 55 个游戏的能力。据测试方说明，低推理档位下系统完成了 42 个游戏（49.8%），中档完成 46 个（46.3%）；在最高档位下仅完成 19 个游戏，因此 ARC Prize 未公布该档位分数。已公布的结果仍覆盖全部 55 个游戏，办法是把中断运行的部分得分也计入。

在旧版基准上，Argon 的表现同样可圈可点：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），均基于每百万输入 token 2 美元、每百万输出 token 10 美元的 introductory price 计算。

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 分，与 Fable 5.1 持平，略低于 Opus 5.5 的 167 分和 GPT-6 Astra 的 166 分。ECI 将 50 多个基准整合为单一能力量表，类似 Artificial Analysis 的主评分构建方式。165 分的成绩意味着谷歌自 2026 年 2 月的 Gemini 3.1 Pro 以来，首次如此接近由 GPT-6 Astra 和 Opus 5.5 领跑的当前 AI 前沿。Argon 也明显领先于 Gemini 3.8 Flash 的 157 分。Artificial Analysis 与 Vals.ai 此前也确认了这一趋势。

不过，各领域表现并不均衡。据 Epoch AI，Argon 在若干知识、智能体与视觉基准上领先，但早期估算显示其在数学 ECI 上排名第八，在软件工程指数（SWE ECI）上排名第六。

整体来看，Gemini 4 Argon 让谷歌在能力评分上重回前沿梯队，但基准成绩对测试环境的敏感性、以及数学与编程领域的相对短板，仍是观察其真实竞争力的关键变量。