谷歌 DeepMind 的新一代前沿模型 Gemini 4 Argon 在 ARC-AGI-3 基準測試中取得 97.5% 的成績，成為繼 OpenAI 之後第二家在該基準上跨過 95% 門檻的 AI 實驗室。據 ARC Prize 資料，目前只有 OpenAI 的 GPT-6 Astra 得分更高，為 99.9%。ARC-AGI-3 被廣泛視為通用問題求解領域最難的基準之一。
這一成績的取得方式值得關注。Argon 的 97.5% 是在所謂「Provider Adapter Harness」環境下測得的，該環境允許使用廠商專屬功能，例如保留推理（retained reasoning）和上下文壓縮（context compaction），測試成本約為 4800 美元。在 ARC-AGI-3 的 25 個公開遊戲中，Argon 與 GPT-6 Astra 所需操作次數均比人類基線少 62%，並在其中三個遊戲中追平或打破了速通紀錄，另有六個遊戲的表現與最佳用時相差不到 10%。
但在更嚴格的標準測試框架（Standard Harness）下，情況截然不同。該框架只允許輪次之間做簡單記錄，Argon 在低推理檔位下的得分驟降至 49.8%，成本約 5800 美元。這一巨大落差並非孤例，其背景可追溯到 2026 年 7 月的一場爭議：當時 OpenAI 的 GPT-5.6 Sol 藉助兩項 API 設定擊敗了 Claude Opus 5。在標準環境下，GPT-5.6 Sol 僅得 7.8%，因為該環境會在每次操作後丟棄內部推理，且使用的舊介面缺少 Claude API 的新功能，導致 Claude 與 GPT-5.6 是在不同條件下被測試的。當改用 OpenAI 自家的 Responses API（含保留推理與智慧上下文壓縮）後，該模型得分躍升至 38.3%，反超 Opus 5 的 30.2%。OpenAI 當時主張，基準測試本就在測量技術環境。ARC Prize 聯合創始人 Francois Chollet 隨後允許使用通用的、公開可用的 API 設定。
API 問題還影響了 Argon 在標準框架下完成全部 55 個遊戲的能力。據測試方說明，低推理檔位下系統完成了 42 個遊戲（49.8%），中檔完成 46 個（46.3%）；在最高檔位下僅完成 19 個遊戲，因此 ARC Prize 未公佈該檔位分數。已公佈的結果仍覆蓋全部 55 個遊戲，辦法是把中斷執行的部分得分也計入。
在舊版基準上，Argon 的表現同樣可圈可點：ARC-AGI-2 得分 91.3%（每任務 0.32 美元），ARC-AGI-1 得分 98.5%（每任務 0.16 美元），均基於每百萬輸入 token 2 美元、每百萬輸出 token 10 美元的 introductory price 計算。
研究機構 Epoch AI 也追蹤了谷歌的進展。Argon 在 Epoch Capabilities Index（ECI）上得分 165 分，與 Fable 5.1 持平，略低於 Opus 5.5 的 167 分和 GPT-6 Astra 的 166 分。ECI 將 50 多個基準整合為單一能力量表，類似 Artificial Analysis 的主評分構建方式。165 分的成績意味著谷歌自 2026 年 2 月的 Gemini 3.1 Pro 以來，首次如此接近由 GPT-6 Astra 和 Opus 5.5 領跑的當前 AI 前沿。Argon 也明顯領先於 Gemini 3.8 Flash 的 157 分。Artificial Analysis 與 Vals.ai 此前也確認了這一趨勢。
不過，各領域表現並不均衡。據 Epoch AI，Argon 在若干知識、智慧體與視覺基準上領先，但早期估算顯示其在數學 ECI 上排名第八，在軟體工程指數（SWE ECI）上排名第六。
整體來看，Gemini 4 Argon 讓谷歌在能力評分上重回前沿梯隊，但基準成績對測試環境的敏感性、以及數學與程式設計領域的相對短板，仍是觀察其真實競爭力的關鍵變數。