Gemini 4 Argon на Google е по-близо до водещото ниво в ИИ от всеки модел на Google през последните месеци

Google DeepMind е втората голяма лаборатория за ИИ, преминала границата от 95 процента на бенчмарка ARC-AGI-3. Резултатите обаче зависят силно от метода на тестване, а според Epoch AI Argon изостава от конкурентите в математиката и софтуерното инженерство.

Новият граничен модел на Google DeepMind, Gemini 4 Argon, постигна 97,5 процента на ARC-AGI-3 на цена от 4800 долара, използвайки „Provider Adapter Harness“ — тестова конфигурация, която използва специфични за доставчика функции като запазено разсъждение и компресиране на контекста. Според ARC Prize Google вече е втората лаборатория за ИИ след OpenAI, преминала границата от 95 процента на това, което широко се смята за най-трудния бенчмарк за решаване на общи проблеми. Само GPT-6 Astra постига по-висок резултат — 99,9 процента.

Подобно на Astra, Argon се нуждаеше от 62 процента по-малко действия от човешката базова линия в 25-те публични игри. Той изравни или подобри рекорда за скоростно преминаване в три игри и постигна резултат в рамките на 10 процента от най-доброто време в още шест. В по-старите версии на бенчмарка Argon постигна 91,3 процента на ARC-AGI-2 (0,32 долара на задача) и 98,5 процента на ARC-AGI-1 (0,16 долара на задача), въз основа на началната цена от 2 долара на милион входни токени и 10 долара на милион изходни токени.

Резултатите от бенчмарковете зависят силно от тестовата конфигурация

В „Standard Harness“, който позволява само прости бележки между рундовете, резултатът на Argon спада до 49,8 процента при ниско ниво на разсъждение и цена от 5800 долара. Тази разлика води началото си от спор през юли 2026 г., когато GPT-5.6 Sol на OpenAI победи Claude Opus 5 на ARC-AGI-3, използвайки две настройки на API.

GPT-5.6 Sol постигна само 7,8 процента в стандартната среда, която изтрива вътрешното разсъждение след всяко действие и използва по-стар интерфейс без по-новите функции на Claude API. Това означаваше, че Claude е тестван при различни условия от GPT-5.6. При тестване със собственото API Responses на OpenAI, включващо „Retained Reasoning“ и интелигентно „Compaction“ на контекста, моделът скочи до 38,3 процента и победи Opus 5 с резултат от 30,2 процента. OpenAI заяви, че бенчмарковете винаги измерват и техническата среда. След това съоснователят на ARC Prize Франсоа Шоле разреши използването на общодостъпни настройки на API.

Проблеми с API също попречиха на Argon да завърши всичките 55 игри в Standard Harness, според тестерите. При ниско ниво на разсъждение системата завърши 42 игри (49,8 процента), а при средно ниво — 46 игри (46,3 процента). При най-високото ниво тя завърши само 19 игри, поради което ARC Prize не публикува резултат. Съобщените резултати все пак обхващат всичките 55 игри, като включват частичните точки от прекъснатите изпълнения.

Argon скъсява разликата, но изостава в математиката и програмирането

Изследователският институт Epoch AI също проследи напредъка на Google. Argon постигна 165 точки в Epoch Capabilities Index (ECI), изравнявайки се с Fable 5.1 и оставайки малко зад Opus 5.5 (167) и GPT-6 Astra (166). ECI обединява над 50 бенчмарка в единна скала за възможностите, подобно на начина, по който Artificial Analysis изчислява основния си резултат.

Argon изпреварва значително Gemini 3.8 Flash (157 точки) и доближава Google до върха повече от всеки момент след Gemini 3.1 Pro през февруари. Artificial Analysis и Vals.ai потвърдиха тази тенденция по-рано.

Представянето обаче варира според областта. Според Epoch AI Argon води в няколко бенчмарка за знания, агенти и зрение, но предварителните оценки го поставят на осмо място в Math ECI и на шесто място в Software Engineering Index (SWE ECI).

Новини за ИИ без сензацията – подбрани от хора

Абонирайте се за THE DECODER, за да четете без реклами, да получавате седмичен бюлетин за ИИ, нашия ексклузивен шест пъти годишно доклад за водещите модели „AI Radar“, пълен достъп до архива и достъп до секцията за коментари.