AREX Feed Article
Epoch AI 独立评测：Gemini 4 Argon 得 165 分追平 Fable 5.1，距 Opus 5.5 差 2 分，Math ECI 仅排第 8
北京时间 10 月 15 日 19 时 26 分，独立研究机构 Epoch AI 了对 Gemini 4 Argon 的独立评测结果：在它自建的聚合指数 Epoch Capabilities Index（ECI）上，Argon 得 165 分，与 Anthropic 的 Fable 5.1（165 分）持平，落后于 Claude Opus 5.5（167 分）和 OpenAI GPT-6 Astra（166 分）。Epoch AI 写道：「虽然仍落后于 ECI 前沿，但这是自 2 月的 Gemini 3.1 Pro 以来 Google 最接近前沿的一次，也比 Gemini 3.8 Flash（157 分）跳升了一大截。」3 秒后发出的补上领域细分：Argon 在部分知识、Agent 和图像基准上居首，但数学与软件工程落后，早期估计中 Math ECI 排第 8、SWE ECI 排第 6。
Argon 于 10 月 13 日上线，；这份评测在模型上线两天后发出。
Epoch 的图表把 Argon 画进了前沿集群
配图是一张以模型发布日期为横轴的 ECI 散点图：图中推理时代的前沿趋势被标注为每年 +15 ECI（90% 置信区间 13～18），单点误差线为 90% bootstrap（自助法）置信区间，灰色趋势带为 90% 预测区间；被单独点名的模型包括 o1、o3、GPT-5、Gemini 3.1 Pro、Fable 5、GPT-6 Astra 和 Gemini 4 Argon，Argon 的粉色圆点贴住 Astra、Fable 5 所在的前沿集群。
按 ，ECI 把 50 多项基准的分数拼成单一的「通用能力」刻度：利用模型在多个基准上的成绩交叉比较来确定各基准的相对难度，在更难基准上表现更好的模型会拿到更高的 ECI；数值本身是「抽象数字」，要靠换算曲线才能还原成具体基准分数。方法与代码公开，数据按 CC-BY 授权发布。页面上还写明了一层利益关系：其方法论论文《A Rosetta Stone for AI Benchmarks》由 Google DeepMind 资助、并与该公司 AGI Safety & Alignment 团队的研究者合作完成，但 ECI 是「Epoch 拥有全部权利的独立产品」。
跟帖拆开总分：短板落在数学与软件工程
跟帖写道：「Argon 的表现在不同领域间差异明显。它在部分知识、Agent 和图像基准上居首，但在数学和软件工程上落后——早期估计中，Math ECI 排第 8，SWE ECI 排第 6。」
按 ECI 的方法说明，Math ECI、SWE ECI 这类领域细分沿用总分拟合出的基准难度与斜率，只重新拟合模型能力参数；刻度与总分可比，一个模型的 Math ECI 高于总分，就意味着它在数学基准上的表现好于非数学基准。
这份领域拆解与发布次日的开发者实测指向同一处。10 月 14 日，t3.gg CEO Theo Browne（@theo），Argon「在我的代码库里已被证明对真实编码工作完全不可用」「对系统如何运作大量幻觉」；几分钟后他：「我原本对 Gemini 4 Argon 抱有真切的期待。它有一些不错的部分，但总的来说，这个模型应该被避开。」需要分开的是口径：一边是单一开发者在自己代码库里的实测，一边是聚合基准上的名次，两者不能互相证明；Argon 的 165 分里软件工程贡献了多少，仍是两边共同指向的待验证问题。
回复区的三种读法：同档、未饱和基准与预算对照
截至本文检索时，主帖约 12,673 次浏览、324 个点赞、21 条回复。已可见的回复大致有三种读法。 2 分就是同档：「聚合指数上，前四名 2 分之内的差距基本等于平手。到 165 对 167 这一步，前沿之争就不再关于能力，而关于每任务价格、延迟和工具链——这是一场 Google 真能赢的比赛。」相反：165～167 的排序「主要由前沿尚未饱和的少数基准决定」，「得先看到这些测试，才好断言 Argon 落后」。第三种读法对准方法本身：按每任务固定美元预算对齐的对照图——「ECI 对每项基准取的是各评测设置下的最高分」，只有预算对齐，团队才能判断「这点额外能力在自己的用量下是否买得起」。
「早期估计」：目前只有 Epoch 一个出处的分数
这份结果的边界有三层。领域名次被 Epoch 自己标注为「早期估计」（early estimates），主帖图上的误差线与预测区间提示的是同一件事。165 分的评测与刻度定义目前都出自 Epoch AI 一家：它既是评测的执行方，也是这把尺子的定义方，该分数尚未经第三方复现。分数也并非定值：方法依赖跨基准拟合、模型参数会被重新估计，Epoch 文档的常见问题列表里专门列有「为什么某个模型的 ECI 分数会变化」一问。
接下来要核对的是：这份领域名次在数据更新后是否站得住，Argon 在数学与软件工程上的实际表现能否与榜上名次对上。完整榜单已在 公开。