Gemini 4 Argon ближе к передовым моделям ИИ, чем любая модель Google за последние месяцы

Результаты на ARC-AGI

В тестировании через Provider Adapter Harness, который использует специфичные для поставщика функции — сохранение рассуждений и уплотнение контекста, — Gemini 4 Argon набрала 97,5% на ARC-AGI-3. По данным ARC Prize, Google стала второй лабораторией после OpenAI, преодолевшей отметку 95% на бенчмарке, который считают одним из самых трудных для проверки общего решения задач. Выше результат только у GPT-6 Astra — 99,9%.

В 25 общедоступных играх ARC-AGI-3 Gemini 4 Argon (жёлтый) и GPT-6 Astra (синий) оба потратили на 62 процента меньше ходов, чем базовый показатель человека (фиолетовый), и часто приближались к рекорду скоростного прохождения (красный)

Источник: the-decoder.com

Как и Astra, Argon использовала на 62% меньше действий, чем человек, в 25 открытых играх. В трёх играх модель сравнялась с рекордом скоростного прохождения или превзошла его, а ещё в шести показала время не более чем на 10% хуже лучшего.

На предыдущих версиях бенчмарка Argon набрала 91,3% в ARC-AGI-2 при цене $0,32 за задачу и 98,5% в ARC-AGI-1 при цене $0,16 за задачу. Расчёт основан на начальной цене: $2 за миллион входных токенов и $10 за миллион выходных.

В 25 общедоступных играх ARC-AGI-3 Gemini 4 Argon (жёлтый) и GPT-6 Astra (синий) оба потребовали на 62 процента меньше ходов, чем базовый показатель человека (фиолетовый), и часто приближались к рекорду скоростного прохождения (красный)

Источник: the-decoder.com

Результаты зависят от условий тестирования

В стандартном режиме Standard Harness, где между раундами разрешены только простые заметки, результат Argon при низком уровне рассуждений падает до 49,8%. Такое тестирование обошлось в $5 800. Разница связана с дискуссией, начавшейся в июле 2026 года: тогда GPT-5.6 Sol от OpenAI обошла Claude Opus 5 в ARC-AGI-3 при использовании двух настроек API.

В стандартной среде GPT-5.6 Sol набрала лишь 7,8%. После каждого действия система теряла внутренние рассуждения, а тестирование шло через старый интерфейс без новых функций API Claude. Поэтому Claude и GPT-5.6 проверяли в разных условиях.

Когда модель тестировали через Responses API самой OpenAI с функциями Retained рассуждение и интеллектуального уплотнения контекста Compaction, её результат вырос до 38,3%. Это оказалось выше, чем у Opus 5, — 30,2%. OpenAI заявила, что бенчмарки неизбежно проверяют и техническую среду. После этого сооснователь ARC Prize Франсуа Шолле разрешил использовать общие настройки API, доступные всем.

По словам тестировщиков, проблемы с API помешали Argon завершить все 55 игр в Standard Harness. При низком уровне рассуждений система прошла 42 игры и набрала 49,8%, при среднем — 46 игр и 46,3%. На максимальном уровне она завершила только 19 игр, поэтому ARC Prize не опубликовала результат. При этом опубликованные показатели охватывают все 55 игр: в них учтены и частичные баллы за прерванные попытки.

Argon приблизилась к лидерам, но уступает в математике и программировании

За прогресс Google следил и исследовательский институт Epoch AI. Argon набрала 165 баллов по Epoch Capabilities Index (ECI), сравнявшись с Fable 5.1. Чуть выше оказались Opus 5.5 с 167 баллами и GPT-6 Astra со 166. ECI объединяет более 50 бенчмарков в единую шкалу способностей — похожим образом Artificial Analysis рассчитывает свой основной показатель.

Argon заметно опережает Gemini 3.8 Flash, получившую 157 баллов, и приближает Google к лидерам сильнее, чем любая модель компании со времени Gemini 3.1 Pro в феврале. Ранее такую тенденцию отмечали Artificial Analysis и Vals.ai.

С результатом ECI в 165 баллов Google ближе к нынешнему передовому рубежу ИИ, который задают GPT-6 Astra (166) и Opus 5.5 (167), чем когда-либо со времён Gemini 3.1 Pro в феврале 2026 года

Источник: the-decoder.com

Показатели Argon различаются по направлениям. По оценкам Epoch AI, модель лидирует в нескольких бенчмарках на знания, работу ИИ-агентов и зрение. Однако предварительные оценки ставят её на восьмое место по Math ECI и на шестое — по индексу разработки программного обеспечения (SWE ECI).