Gemini 4 Argon от Google DeepMind получила 97,5% в ARC-AGI-3 — одном из самых сложных тестов на решение новых задач. Но это сильное число нельзя читать без оговорок: в стандартном режиме проверки результат модели упал до 49,8%, а часть испытаний завершить не удалось.
Суть события
Google DeepMind вывела Gemini 4 Argon ближе к верхней группе современных ИИ-моделей. В специальной тестовой конфигурации Provider Adapter Harness модель набрала 97,5% в ARC-AGI-3. Этот тест проверяет, насколько система умеет решать незнакомые задачи, а не просто воспроизводить виденные примеры. Стоимость такого прогона составила $4 800.
В 25 открытых играх ARC-AGI-3 Argon использовала на 62% меньше действий, чем человек в базовом сравнении. В трёх играх модель сравнялась или превзошла рекорд быстрого прохождения, ещё в шести подошла к нему ближе чем на 10%. Это заявление о результатах конкретного теста, а не доказательство универсального превосходства модели.
Детали проверки
Картина резко меняется, если убрать специальные возможности поставщика. В Standard Harness, где между раундами разрешены только простые заметки, Argon набрала 49,8% при низком уровне рассуждений и стоимости $5 800. При среднем уровне показатель составил 46,3%. На максимальном уровне система завершила только 19 игр, поэтому отдельный результат ARC Prize не публиковал.
Проверяющие также сообщили о проблемах с программным интерфейсом: при низком уровне рассуждений модель закончила 42 из 55 игр, при среднем — 46. Итоговые числа включают частичные баллы прерванных запусков. Поэтому сравнивать 97,5% и 49,8% как два равноправных ответа на один вопрос было бы неправильно: они описывают разные условия эксперимента.
Контекст
В сводном индексе возможностей Epoch AI Gemini 4 Argon получила 165 баллов. Это рядом с GPT-6 Astra (166) и Opus 5.5 (167), а также заметно выше Gemini 3.8 Flash (157). Индекс объединяет более 50 тестов в одну шкалу, поэтому он показывает общий уровень, но не заменяет проверку конкретной задачи.
Сильнее всего Argon выглядит в ряде тестов на знания, работу с агентами и зрение. При этом ранние оценки поставили её на восьмое место по математике и на шестое по программной инженерии. Для бизнеса это практическое ограничение: высокий общий балл не означает одинакового качества в аналитике, коде и других рабочих сценариях. Для знакомства с экосистемой пригодится простое объяснение Google Gemini и его возможностей.
Что дальше
Главный вывод пока не в том, что Google обошла конкурентов. Argon действительно приблизилась к передовым моделям, но её оценка чувствительна к способу тестирования, неполным запускам и выбранной области задач. Компаниям, которые рассматривают модель для работы, разумнее проверять собственные сценарии: отдельно измерить качество рассуждений, математики, кода и стоимость полного запуска.
Следующие сравнения будут полезны только при одинаковых настройках доступа и прозрачной отчётности о незавершённых испытаниях. Иначе впечатляющее число легко окажется свойством тестовой среды, а не самой модели.
