Gemini 4 Argon打穿AGI终极考场！

谷歌，终于把这块最硬的骨头啃下来了。

就在刚刚，ARC Prize官方在X上甩出了一张成绩单：

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%。

七个月，从全员交白卷到接近满分。

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。

第一家，是OpenAI。

谷歌又回来了。

三代考题，一口气通杀

Gemini 4 Argon的成绩单很漂亮。

• ARC-AGI-1：98.5%，每道题成本0.16美元
• ARC-AGI-2：91.3%，每道题成本0.32美元
• ARC-AGI-3：97.5%，整套跑下来花了4800美元

三代考题，全部拿下。

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%）。

也就是说，谷歌只靠一个模型，就挤进了俱乐部。

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。

这次接近满分的成绩出来，谷歌也没出面说一个字。

看到97.5%，有人可能会觉得又一次刷榜罢了。

这回还真不一样。

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。

你得自己去试、自己猜规则、自己发现目标在哪里、自己规划怎么通关。

这考的是，模型面对从没见过的东西，现学现会的本事。

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。

七个月，考场被打穿

回顾一下时间线，你才能感受到这件事的速度有多离谱。

3月下旬，ARC-AGI-3上线，所有前沿模型不到1%。

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。

9月30日，谷歌发布Gemini 4 Argon。

10月16日，ARC Prize官方公布Argon验证成绩，97.5%。

更能说明问题的是效率数据。

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。

成绩单里的一行小字

不过，这份成绩单后面还藏着一行不起眼的数字。

ARC Prize的推文里，两种设置的分数并排写在一起：

97.5%，4800美元（Provider Adapter harness）

49.8%，5800美元（Standard harness）

同一个模型，同一套考题，一个97.5%，一个49.8%。

差出来的这将近48个百分点，全在一个叫「harness」的东西上。

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%。

尺子快不够用了

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。

但真正值得琢磨的，已经不只是谁的分数高。

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——

衡量智能的尺子，被追上的速度一次比一次快。

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。

参考资料：

https://x.com/arcprize/status/2110768288523251762

文章来自于"新智元"，作者 "所罗门"。