AREX Feed Article
ARC Prize 核实 Gemini 4 Argon：ARC-AGI-3 达 97.5%、仅次于 GPT-6 Astra，同一模型标准 harness 下仅 49.8%
于 UTC 10 月 15 日 16:22（北京时间 16 日 0 时 22 分）发布 Gemini 4 Argon 的核实（Verified）成绩：在 ARC-AGI-3 上，该模型经供应商适配器（provider adapter）harness（评测执行框架）得 97.5%、花费约 4,800 美元；换到标准 harness，同一模型只拿到 49.8%，成本反而升至约 5,800 美元。ARC-AGI-2 得 91.3%（每任务约 0.32 美元），ARC-AGI-1 得 98.5%（每任务约 0.16 美元）。ARC Prize 同时宣布，Google DeepMind 是第二个在 ARC-AGI-3 上得分超过 95% 的前沿 AI 实验室；其一秒后的跟帖写明，97.5% 仅次于 OpenAI 的 GPT-6 Astra（99.9%）。
Gemini 4 Argon 是 Google 于 10 月 13 日发布的模型，为其生成的 Scorecard 标注「Released Oct 13, 2026」。ARC Prize 按该模型当前的 Google 首发价核算全部成本——每百万输入 token 2 美元、输出 10 美元。按 的定义，ARC-AGI-3 考察智能体在陌生交互环境中的即兴适应能力，而此前的 ARC-AGI-1、2 测量的是被动的流体智力。
两套 harness，47.7 个百分点的分差
，供应商适配器 harness 保留模型的「不透明推理」并启用自动压缩（automatic compaction）；标准 harness 则让模型能在回合之间保留笔记。同一个 Gemini 4 Argon，在这两套 harness 里的成绩差出 47.7 个百分点，而且更便宜的一套分数更高。
标准 harness 这侧的测量本身也没跑完：低推理档 49.8%（55 局中完成 42 局）、中推理档 46.3%（完成 46 局），高推理档只完成 19 局，ARC Prize 未公布该档分数；公布的成绩计入全部 55 局，并保留未完成局已拿到的部分分。结果页显示，这次共跑了 6 种 harness 配置；头条的 97.5% 出自低推理档，适配器 harness 下中、高推理档均为 97.3%，标准 harness 的中推理档（46.3%）反而低于低推理档。逐局公开数据里，AR25、FT09、CD82、G50T 等多个游戏在适配器 harness 三档推理下均拿到 100%；而在标准 harness 下，G50T 在两档推理里均为 0%，TU93 低推理档只有 5.3%，LF52 低推理档 2.3%——G50T 恰恰是适配器 harness 下满分的那局。
25 个公开游戏，动作数比人类基线少 62%
还给出效率数据：与 GPT-6 Astra 一样，Argon 在 ARC-AGI-3 的 25 个公开游戏中，所用动作数比人类基线少 62%；它在 3 个游戏上追平或打破速通（speedrun）纪录，另有 6 个游戏的差距在 10% 以内。
核实成绩公布之前：Epoch AI 给了 165 分，Theo 称「不可用」
约 5 小时前， 公布了自己的分数：Argon 在 Epoch Capabilities Index（ECI）得 165 分，与 Claude Fable 5.1 持平，低于 Claude Opus 5.5（167 分）和 GPT-6 Astra（166 分）；Epoch AI 称这是 Google 自 2 月的 Gemini 3.1 Pro 以来最接近前沿的一次，较 Gemini 3.8 Flash 的 157 分明显提升。
前一天（UTC 10 月 14 日 20:02），开发者 Theo Browne（@theo，40.6 万粉丝，简介称任 t3dotcodes CEO）称 Gemini 4 Argon「在我的代码库里已被证明对真实代码工作完全不可用」，并指其「会大量幻觉出系统的运作方式」，该帖获约 38 万次浏览、3,680 个赞。约 6 分钟后，他在中说，自己「本来真心期待」这个模型，「它有一些不错的部分，但总体而言，应该避免使用它」；面对关于测试设置的质疑，他称所有模型均按各自最高设置运行，Argon 耗时最长。他的实测针对真实代码库工程，与 ARC-AGI 考察的交互式环境适应不是同一种能力；ARC Prize 这次给出的是后者的核实数字。
高推理档仍然没有分数
ARC Prize 写明，是「API 问题」使其无法完成标准 harness 的测试，因此结果页图表剔除了标准 harness 高推理档这一数据点。Argon 的 ARC-AGI-3 能力究竟以 97.5% 还是 49.8% 为准，取决于采用哪套 harness；分差线上的完整答案，要等标准 harness 高推理档补跑完成才能补上。ARC Prize 在列出了、榜单与测试政策链接；主帖目前获 668 个赞、约 5.2 万次浏览，回复大多集中在这条分差本身。标准 harness 高推理档补跑完成后，这个问题的另一半答案才会出现。