16 октября 2026 года The Decoder сообщил о результатах Gemini 4 Argon на ARC-AGI-3: 97,5% в Provider Adapter Harness и 49,8% в Standard Harness при низком уровне reasoning. Это не два прогона в одинаковых условиях: первый режим использует функции поставщика, а стандартный разрешает только простые заметки между раундами. Поэтому высокий балл сам по себе не описывает, как модель справляется в обоих режимах.
Что меняют настройки теста
По данным The Decoder, результат 97,5% получен в Provider Adapter Harness с сохранением reasoning и уплотнением контекста; этот прогон стоил $4 800. В Standard Harness при низком reasoning модель набрала 49,8%, а стоимость прогона составила $5 800. Издание объясняет разрыв различиями тестовой среды. Эти цифры показывают результаты двух разных настроек, а не повтор одного испытания при неизменных условиях.
Что означает результат 49,8%
В стандартном режиме Argon завершил 42 из 55 игр при низком reasoning, 46 при среднем и 19 при максимальном. Для максимального уровня ARC Prize не опубликовала итоговый балл. При этом, как пишет The Decoder, опубликованные результаты охватывают все 55 игр: в подсчёт включили частичные баллы прерванных запусков. Следовательно, 49,8% нельзя трактовать как оценку только по 42 полностью завершённым играм.
Сравнения на ARC-AGI-3
Согласно приведённой The Decoder атрибуции ARC Prize, Google стала второй лабораторией после OpenAI, чья модель преодолела 95% на ARC-AGI-3; для GPT-6 Astra в статье указано 99,9%. На 25 публичных играх Argon, по данным издания, потребовал на 62% меньше действий, чем человеческий базовый уровень. Это сравнение относится именно к действиям в этих 25 играх, а не к доле решённых всех 55 игр.
Сводный рейтинг и отставание по отдельным направлениям
В оценке Epoch AI Gemini 4 Argon получил 165 баллов Epoch Capabilities Index (ECI), столько же, сколько Fable 5.1. The Decoder приводит 167 баллов для Opus 5.5 и 166 для GPT-6 Astra и поясняет, что ECI объединяет более 50 бенчмарков. По переданным изданием оценкам Epoch AI, результаты Argon неоднородны: модель занимает восьмое место в Math ECI и шестое в Software Engineering Index, хотя лидирует в нескольких тестах на знания, работу агентов и зрение.
The Decoder опубликовал эти сведения 16 октября со ссылками на ARC Prize и Epoch AI; независимых результатов проверки в доступных данных нет. При сравнении важно учитывать и разные настройки ARC-AGI-3, и стоимость прогонов, и частичные баллы незавершённых игр: один показатель не заменяет оценку модели по отдельным задачам.
