3 得分 97.5%

核心亮点

ARC Prize 公布了 Gemini 4 Argon 在 ARC-AGI（Verified）上的成绩，结果很炸：在公认最难、最考验"真正泛化智能"的 ARC-AGI-3 上，用 provider adapter harness 拿到 97.5%，只花了 4800 美元。Google DeepMind 因此成为第二家在 ARC-AGI-3 上突破 95% 的前沿实验室。这个分数被很多人视为 AI 向人类级抽象推理逼近的标志性节点。

具体能力

ARC-AGI 系列的题是"给几个示例图形变换，让你推理出规律并应用到新图形"——考察的是从极少数例子中抽象出规则的能力，也就是真正的举一反三，而不是靠海量记忆。Gemini 4 Argon 在 ARC-AGI-3 上接近满分，说明它在低样本抽象推理上有了质的飞跃；ARC-AGI-2、ARC-AGI-1 上也分别拿到 91.3% 和 98.5%，且单次成本极低（0.16–0.32 美元）。

技术细节

值得注意的细节是 harness 的差距：provider adapter harness 拿了 97.5%，而标准 harness 只有 49.8%——这提示分数很大程度上依赖"怎么把任务喂给模型"的工程封装。ARC-AGI-3 的难度在于它刻意防住死记，所以高分离不开模型本身的泛化力，但也离不开精心设计的推理接口。4800 美元的成本相对传统需要海量采样的做法已经大幅下降。

与竞品对比

ARC-AGI-3 破 95% 的俱乐部此前极少。Gemini 4 Argon 加入后，说明 Google 在"真·推理泛化"这条最难赛道上追了上来。和 OpenAI 等对手相比，DeepMind 的优势在数据与训练方法论；但标准 harness 仅 49.8% 也提醒我们，离"随便怎么问都能稳定高分"还有距离，分数里有不少工程红利。

行业影响或适用场景

ARC-AGI 被视为通向 AGI 的"试金石"之一。模型在这里逼近人类，意味着 AI 处理未见过的、需要抽象规律的任务（科研假设、新领域规划、罕见故障诊断）的能力在提升。对企业，这意味着可以期待 AI 在更少示例、更模糊的需求下给出靠谱方案。当然，harn 差也说明评测方法本身需要标准化，否则分数容易被工程手段抬高。