Gemini 4 Argon от Google ближе к переднему краю ИИ, чем любая модель Google за последние месяцы

Google DeepMind стала второй крупной лабораторией ИИ, преодолевшей отметку в 95 процентов в тесте ARC-AGI-3. Однако результаты сильно зависят от метода тестирования, а Argon уступает конкурентам в математике и разработке программного обеспечения, согласно Epoch AI.

Новая передовая модель Google DeepMind Gemini 4 Argon набрала 97,5 процента в ARC-AGI-3 при стоимости 4800 долларов с использованием «Provider Adapter Harness» — тестовой конфигурации, задействующей специфические для поставщика функции, такие как сохранение рассуждений и сжатие контекста. Согласно ARC Prize, Google стала второй после OpenAI лабораторией ИИ, преодолевшей отметку в 95 процентов в тесте, который считается самым сложным тестом общих способностей к решению задач. Более высокий результат показывает только GPT-6 Astra — 99,9 процента.

Как и Astra, Argon требовала на 62 процента меньше действий, чем человек в базовом тесте, во всех 25 открытых играх. В трёх играх модель повторила или превзошла рекорд скоростного прохождения, а ещё в шести уложилась в пределах 10 процентов от лучшего времени. В более старых версиях теста Argon набрала 91,3 процента в ARC-AGI-2 (0,32 доллара за задание) и 98,5 процента в ARC-AGI-1 (0,16 доллара за задание), исходя из начальной цены в 2 доллара за миллион входных токенов и 10 долларов за миллион выходных токенов.

Результаты тестов сильно зависят от конфигурации тестирования

В «Standard Harness», который разрешает использовать между раундами только простые заметки, результат Argon при низком уровне рассуждений снижается до 49,8 процента при стоимости 5800 долларов. Этот разрыв связан со спором в июле 2026 года, когда GPT-5.6 Sol от OpenAI обошла Claude Opus 5 в ARC-AGI-3 с использованием двух настроек API.

GPT-5.6 Sol смогла набрать лишь 7,8 процента в стандартной среде, которая удаляет внутренние рассуждения после каждого действия и использовала старый интерфейс без новых функций API Claude. Это означало, что Claude тестировалась в иных условиях, чем GPT-5.6. При тестировании с использованием собственного Responses API OpenAI, включая функции «Retained Reasoning» и интеллектуального «Compaction» контекста, результат модели вырос до 38,3 процента, и она обошла Opus 5 с результатом 30,2 процента. OpenAI заявила, что тесты всегда измеряют также техническую среду. После этого сооснователь ARC Prize Франсуа Шолле разрешил использовать общедоступные настройки API.

Проблемы с API также не позволили Argon завершить все 55 игр в Standard Harness, сообщают тестировщики. При низком уровне рассуждений система завершила 42 игры (49,8 процента), при среднем — 46 игр (46,3 процента). На самом высоком уровне она завершила лишь 19 игр, поэтому ARC Prize не опубликовала результат. Тем не менее заявленные результаты охватывают все 55 игр, поскольку включают частичные баллы за прерванные запуски.

Argon сокращает отставание, но уступает в математике и программировании

Исследовательский институт Epoch AI также отслеживал прогресс Google. Argon набрала 165 баллов в индексе возможностей Epoch (ECI), сравнявшись с Fable 5.1 и расположившись чуть ниже Opus 5.5 (167) и GPT-6 Astra (166). ECI объединяет более 50 тестов в единую шкалу возможностей — аналогично тому, как Artificial Analysis формирует свой основной показатель.

Argon значительно опережает Gemini 3.8 Flash (157 баллов) и приближает Google к лидерам сильнее, чем в любой момент после выхода Gemini 3.1 Pro в феврале. Artificial Analysis и Vals.ai ранее подтвердили эту тенденцию.

Однако производительность различается в зависимости от области. Согласно Epoch AI, Argon лидирует в нескольких тестах на знания, работу агентов и компьютерное зрение, но предварительные оценки ставят её на восьмое место в Math ECI и на шестое место в индексе разработки программного обеспечения (SWE ECI).

Новости ИИ без шумихи — отобраны людьми

Подпишитесь на THE DECODER, чтобы читать материалы без рекламы, получать еженедельную рассылку об ИИ, эксклюзивный годовой отчёт о передовых технологиях «AI Radar» шесть раз в год, полный доступ к архиву и доступ к разделу комментариев.