Google 的 Gemini 4阿贡是接近于AI边境比任何 Google 模型在几个月

谷歌Deepmind Gemini 4阿贡评分 97.5 在ARC-AGI-3上的百分比

双子座4Argon已经通过了一个主要的解决问题的基准,在ARC-AGI-3上获得了11%的得分.结果使其成为OpenAI之后第二个在大型实验室,在ARC-AGE3中超过95%,这被广泛认为是一般问题解决最艰难的标准.但该评分与测试环境密切相关,Epoch AI数据显示Argon仍然落后于数学和软件工程方面的顶级竞争对手.

背景:ARC-AGI-3的分数取决于带设置

争议始于7月2026.OpenAI的GPT-5.6 Sol通过使用两个 API设置在ARC-AGI-3上击败了 Claude Opus 5 . 在 Standard Harness,只允许轮之间简单的笔记,并在每个动作后丢弃内部推理, GPT- 5.6Sol仅管理了 7.8 %. 该标准环境还使用了一个缺少新特性的旧接口,Claude API这意味着克劳德是在不同的条件下进行测试而不是GPT -5.6Sol. 当 OpenAI自己的 Responses API 使用时,与 Retained Reasoning 和智能语境紧缩,GPT-14Sol跃升到 38.3%和 95% 30.2%. OpenAI认为基准总是衡量技术环境. ARC Prize联合创始人Francois Chollet然后允许一般,公开可用的 API.

发展: Google Deepmind进入95%级别

在使用供应商特定功能,如保留推理和上下文压缩的 Provider Adapter Harness 版本中,双子座4阿贡得分为 97.5%在 $4,800 . Only GPT-6 阿斯特拉得分高于 99.9%. 在ARC-AGI-3 的25个公开游戏中,Gemini 4 Argon 和 GPT-6 Astra都需要比人类基线少62%,并且经常接近速度记录.Argon在三场比赛中匹配或击败了速跑纪录,并在其他六场比赛中的最佳时间10%之内取得胜利.在较旧的版本上,基于每百万输入代币$2和每个输出代币$10的介绍价格,Argon以每次任务$0.32获得ARC-AGE-2 的26%,而根据每次目标$0.16获取 ARC -AGI-1 的28%.

根据测试人员的说法,高分数并不是整个故事.在 Standard Harness,Argon 在低推理上下降到 49.8%. API问题也阻止了 Argon 在 Standard Harness 中完成所有 55 场比赛.在低推论中,系统完成了 42 场49.8%;在中等水平上它完成了 46 场[34%];在最高级别完成了 19 场,所以 ARC Prize 并没有公布成绩.报告结果仍然涵盖了包括中止运行的部分积分的所有 55 个游戏.

最新: Epoch AI 在数学和软件工程方面落后, 但在边境附近

Google DeepMind追踪了谷歌的进步.Argon在Epoch Capabilities Index上得分165分,与Fable同等5.1并落后于Opus 5.5在167和GPT-6 Astra在166位.ECI将50多个基准结合到一个单一的能力尺度中,类似于 Artificial Analysis如何构建其主要成绩.以165点的ECI成绩,Google比2月份双子星 3.1 Pro以来更接近目前 AI 的边界 2026.Argon也领先着双子座 3.8 Flash 获得157分,这一趋势 Artificial Analysis和Valsai早些时候已经证实.

性能因领域而异.根据Epoch AI,Argon在多个知识,代理和视觉基准中领先,但早期估计将其置于第八位 Math ECI 和第六位 Software Engineering Index ,被称为SWE ECI.因此当前阶段是混合的:双子座4 Argon在ARC-AGI-3上达到顶层,并缩小了谷歌对Epoch AI复合指数的差距,但是它的排名取决于是否 API设置,推理控制和中止运行被一致计算,并且它仍然落后于数学和软件工程方面的领导者.