Gemini 4 Argon 在 ARC-AGI-3 上得分 97.5%，但仍落后于竞争对手

Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 基准上取得 97.5% 的得分，使 Google 成为继 OpenAI 之后第二家超过 95% 门槛的实验室。不过，这一结果高度依赖测试配置：在标准 harness 下得分降至 49.8%。报道同时指出，Argon 在数学与软件工程方面的表现落后于竞争对手。

这是 Google 数月来在 ARC-AGI 基准上最接近前沿水平的一次，首次跨过 OpenAI 此前独占的 95% 门槛。但标准 harness 下骤降至 49.8%，说明成绩对评测设置敏感，领先幅度尚不稳定。

ARC-AGI-3 的分数差异说明，模型能力与评测框架共同决定结果：换用不同的测试 harness 时，提示、工具或交互方式的差异会显著改变得分，因此单一高分不能直接等同于稳定的通用推理能力。

对产品团队而言，不应把 97.5% 作为可直接对外承诺的能力指标；在选型或集成时需在自身业务 harness 下复测。数学与软件工程短板意味着代码生成和复杂计算场景仍需保留人工复核或其他模型兜底。

• 在自身业务 harness 下对 Gemini 4 Argon 做对照复测，再决定是否纳入模型路由
• 针对数学与软件工程场景保留多模型回退策略，避免单一模型锁定
• 将 ARC-AGI-3 评测配置纳入内部模型评估规范，要求记录 harness 差异

• 标准 harness 与高分 harness 的具体差异是什么？
• Argon 在数学与软件工程上落后竞争对手的具体幅度是多少？
• Gemini 4 Argon 是否已对外发布、可用渠道和定价如何？
• 97.5% 的得分是否经过第三方独立复现？