Gemini 4 Argon打穿AGI终极考场！
Gemini 4 Argon在号称「AGI终极考场」的ARC-AGI-3上，拿到了 97.5%！
要知道，就在七个月前，ARC-AGI-3刚上线的时候，所有前沿模型分数全都 不到1% 。
ARC Prize在公告里专门加了一句： Google DeepMind是第二家在ARC-AGI-3上突破95%的 AI 实验室。
放进排行榜里看，这个97.5%只排在OpenAI的GPT-6 Astra（99.9%）后面， 压过了OpenAI 9月底刚交卷的GPT-6.1 Sol（96.37%） 。
9月30日Argon发布时，谷歌博客主打的是复杂工作流、编码和网络安全，输出Token上限一口气拉到100万，满篇都是软件工程和Vals Index的成绩，偏偏一个字没提ARC-AGI。
ARC-AGI-3不是传统的选择题、填空题式的AI基准测试。它是一整套 交互式游戏环境 ——没有说明书，没有预设指令，也没有人告诉模型这一关的目标是什么。
模型被扔进一个完全陌生的小游戏，64×64的彩色格子，7个动作按钮，连按钮干嘛用的都不告诉你。
这种能力人类天生就有。你随便抓一个没玩过游戏的普通人，扔进去摸索一会儿，大概率都能通关。
但对AI来说，这恰恰是最怵的。没有现成的数据可以背，没有套路可以套，所有的知识都得在「玩」的过程中临时建构。
9月2日 ，OpenAI的GPT-6 Astra率先破局，在Provider Adapter设置下打到99.9%以上，接近满分，成为第一家破95%的实验室。Greg Brockman在发布会上直接喊出了那句话：「欢迎来到AGI时代。」
9月29日 ，OpenAI又拿出GPT-6.1 Sol，得分96.37%。一个月内，OpenAI两个模型先后站上95%以上。
在25个ARC-AGI-3公开游戏里，Argon通关用的行动次数 比人类基线少了62% 。其中3个游戏，它追平甚至超过了speedrun纪录—— 也就是速通玩家刷出来的极限成绩；另外6个，和纪录的差距不到10%。
也就是说，AI不光学会了玩一款没见过的游戏，还玩得比大多数人利索，有几关已经摸到了顶尖速通玩家的水平。
ARC Prize联合创始人Mike Knoop评价说，Argon是第二个通过Provider Adapter「有效最大化」ARC-AGI-3的模型家族，还提到行动效率出现了「反向弯曲」—— 效率提升的速度，比预期还快。
harness是什么？可以理解成给模型配的那套操作台。在交互式游戏里，模型每走一步都要接收环境反馈，再决定下一步。反馈怎么喂进去、动作怎么传出来、前面试过的路怎么记下来，都归这套操作台管。
Provider Adapter，是厂商为自家模型量身定制的接入方式；Standard harness，是考官给所有参赛模型统一发的那一套。
一个更反直觉的事情是：标准harness花的钱 更多 ——5800美元，比97.5%那档还贵了1000块。多花了两成的钱，分数却只剩一半出头。
细看标准harness的数据，低推理档49.8%（55个游戏完成42个），中推理档46.3%（完成46个），高推理档因为API出了问题只跑完19个，连分数都没好意思公布。
中档多跑完了4个游戏，总分反而低了3.5个百分点。想得更久，并没有换来更高的分。
这不是Argon一家的情况。榜首GPT-6 Astra那个99.9%，同样是在Provider Adapter下考出来的；换成标准harness，Astra也只拿到62.7%。
再看另一位选手。Anthropic的Claude系列在ARC-AGI-1和ARC-AGI-2上分数都很高，到了ARC-AGI-3，要么得分偏低，要么干脆没测。
外界习惯把OpenAI和Anthropic看成双雄争霸，但至少在这块考场上，眼下是 OpenAI和谷歌两家的地盘 。
一个号称「AGI终极考场」的基准测试，上线时让所有前沿模型集体交白卷，七个月后就被两家巨头做到接近满分——
而那条49.8%的分数线又在提醒所有人：今天拿来比较的，早就不是模型本身的裸智能，而是 模型+harness的整套系统 。谁会搭操作台，谁就多拿将近一半的分。
所以，以后看AI榜单，别只看分数， 括号里写的是哪种harness，跟分数本身同样重要。
https://x.com/arcprize/status/2110768288523251762