Gemini 4 Argon登顶ARC-AGI-3，谷歌逼近OpenAI

谷歌再次回到了通用人工智能评测的最前线。据The Decoder报道，Google DeepMind最新推出的Gemini 4 Argon在ARC-AGI-3基准测试中拿下97.5%的得分，使谷歌成为继OpenAI之后第二个跨越95%门槛的AI实验室。这是近几个月来谷歌模型最接近AI前沿的一次表现，但光环之下藏着不小的变数。

97.5%高分：谷歌重返第一梯队

ARC-AGI-3由ARC Prize基金会推出，被视为衡量模型抽象推理与通用智能水平的重要标尺。该基准要求模型解决人类轻松应对、而AI长期难以攻克的新型推理难题，因此一直被业界当作衡量模型是否真正"逼近AGI"的关键指标之一。此前，只有OpenAI的模型成功突破95%这道分水岭。

Gemini 4 Argon此次取得的97.5%成绩，意味着谷歌终于在顶级推理评测中与OpenAI站在了同一梯队。对过去数月始终在前沿争夺中处于追赶位置的谷歌而言，这是一个具有象征意义的节点——The Decoder在报道中直言，Argon是"几个月来比任何谷歌模型都更接近AI前沿"的产品。

测试环境一变，分数腰斩

然而这一亮眼成绩的成色引发讨论。报道指出，测试结果随测试设置的差异而剧烈波动：在标准测试框架下，Argon的得分骤降至49.8%，几乎只有最优成绩的一半。这一巨大落差说明，97.5%的高分很可能建立在某种更宽松或有利的评测配置之上。

这种"设置敏感"现象在大型语言模型评测中并不罕见。不同的提示词策略、思考预算、工具调用权限乃至输出解析方式，都可能让同一模型在同一基准上跑出天壤之别的结果。对普通读者而言，这意味着单一分数不足以定义模型的真实能力，评测透明度愈发重要。

短板犹存：数学与软件工程落后

即便在ARC-AGI-3上表现惊艳，Argon并非全面领先。报道明确指出，该模型在数学和软件工程两大领域仍然落后于竞争对手。这两个领域恰恰是当前衡量前沿模型实用价值时最受关注的能力项——数学能力关乎严谨推理，软件工程能力则直接决定AI编程助手等核心商业场景的表现。

换言之，Argon在抽象推理上追平了前沿，但在更贴近实际应用的赛道上，OpenAI等对手依然占据优势。谷歌需要在通用推理与专业能力之间找到更均衡的发力点，才能实现真正的全面反超。

前沿竞赛进入白热化阶段

从更大的行业背景看，谷歌与OpenAI在基准测试上的缠斗已经持续多轮。OpenAI凭借GPT系列模型长期占据各类评测榜首，谷歌则依靠Gemini系列持续追赶。每一次架构升级或新版本发布，都可能改写排行榜格局。Argon此番登顶ARC-AGI-3，正是这场竞赛白热化的最新注脚。

对开发者与企业用户来说，榜单排名固然重要，但更值得关注的是各模型在真实任务中的稳定性与性价比。Argon在不同测试设置下的巨大分数落差，恰恰提醒用户：选型时应结合自身场景做独立评估，而非迷信单一基准的高分。

展望未来，谷歌大概率会围绕Argon暴露出的短板继续迭代，尤其在数学与软件工程方向补齐能力；而评测方法的标准化之争也可能随之升温。随着ARC-AGI系列基准不断进化，谁能率先在多种测试条件下稳定保持高分，谁才能真正坐稳AI前沿的头把交椅。这场竞赛远未到终局。