返回新闻
综合

Gemini 4 Argon 在 ARC-AGI-3 上达到 97.5%,仅次于 OpenAI

Google 的 Gemini 4 Argon 使用 Provider Adapter harness 在 ARC-AGI-3 基准测试中取得了 97.5% 的成绩,成为继 OpenAI 之后第二家突破 95% 门槛的 AI 实验室。该模型使用适配器在 ARC-AGI-1 和 ARC-AGI-2 上分别取得 98.5% 和 91.3% 的成绩,但在标准 harness 上的得分仅为 49.8%,凸显了模型与 harness 组合所产生的显著系统级影响。对于 AI 视频和图像创作者而言,这些结果强调了测试真实工作流的重要性,而不能仅依赖原始基准测试数据。

Gemini 4 Argon 在 ARC-AGI-3 上达到 97.5%,仅次于 OpenAI
MagicBoat AI4 分钟阅读105 次阅读
文章目录

Google 的 Gemini 4 Argon 成为第二个在 ARC-AGI-3 上突破 95% 门槛的 AI 模型,但其性能会因所使用的支持 harness 不同而出现巨大差异。

2026 年 10 月 19 日公布的新基准测试结果显示,Google 的旗舰模型跻身少数达到这一水平的模型之列,同时也揭示了周边工具对 AI 能力测量结果的影响有多大。

基准测试结果揭示了什么

Gemini 4 Argon 使用 Provider Adapter harness 在 ARC-AGI-3 上取得 97.5% 的成绩,标志着 Google 前沿模型阵容达成了一个重要里程碑。本次基准测试运行成本约为 4,800 美元,也使 Google 成为继 OpenAI 之后第二家在该评估中突破 95% 的 AI 实验室。

使用同一适配器 harness,该模型在较低级别的 ARC-AGI 任务上也取得了强劲成绩:ARC-AGI-1 为 98.5%,ARC-AGI-2 为 91.3%。

结果中最引人注目的细节,是不同 harness 配置之间的性能差距。在不使用 Provider Adapter 层的标准 harness 上进行测试时,Gemini 4 Argon 在 ARC-AGI-3 上的得分仅为 49.8%——不到使用适配器时得分的一半。这一巨大差异凸显了报告所称的“模型加 harness 系统效应”:也就是说,AI 性能的测量结果同时取决于模型本身,以及用于将模型连接到任务的工具。

Bar chart comparing Gemini 4 Argon ARC-AGI scores across harnesses
不同 harness 下 Gemini 4 Argon ARC-AGI 得分对比柱状图

模型加 Harness 的系统效应

两种 harness 配置之间的差距并非微不足道——在同一基准测试中,它几乎让模型的测得性能翻了一倍。这意味着,基准测试中的醒目成绩不能仅归因于模型本身;周边基础设施、提示框架和适配器层,都在释放模型能力方面发挥着关键作用。

对于任何评估 AI 模型的人来说,这使得直接并排比较变得更加复杂。模型在特定任务上的表现,很大程度上取决于它与运行该任务所使用的工具和工作流集成得有多好,而不仅仅取决于其底层参数规模或训练情况。

Conceptual illustration of model-plus-harness system
模型加 harness 系统的概念示意图

这对 AI 内容创作者意味着什么

对于 AI 视频和图像创作者而言,在为创意工作选择模型时,醒目的基准测试成绩可能会产生误导。一个在抽象推理基准测试中名列前茅的模型,如果没有针对文本生成视频、图像编辑或分镜设计等特定创意任务进行优化,可能并不是最佳选择。相反,一个原始基准测试得分较低的模型,在与针对任务的提示词和集成方案结合后,可能在ai video generator中胜过排名更高的替代方案。

关键结论是,真实世界的工作流表现比基准测试排名更重要,尤其是在制作image to video动画或 AI 生成营销素材等专业创意内容时。基准测试是一个有用的数据点,但它无法完整反映模型在你的具体创意目标下会有怎样的表现。

AI video creation assets on a wooden desk
木桌上的 AI 视频创作素材

为什么多模型平台可以解决基准测试的不确定性

创作者不必依赖基准测试成绩来挑选单一模型,而是可以使用 MagicBoat 这样的多模型平台,在实际工作流中并排测试顶级模型。这种方式消除了将基准测试成绩转换为真实创意产出时的不确定性。

你可以免费试用这些模型,看看哪个模型最适合你的具体创意目标,无论是起草视频脚本、优化视觉素材,还是制作完整的短篇内容。MagicBoat 的集成环境免去了管理多个账户和 API 密钥的麻烦,让你可以专注于创作,而不是比较基准测试数据。

关键要点

  • Gemini 4 Argon 使用 Provider Adapter harness,成为第二个在 ARC-AGI-3 上突破 95% 的 AI 模型。
  • 该模型在标准 harness 上的得分降至 49.8%,证明工具和集成对测得性能有着巨大影响。
  • 醒目的基准测试数据并不总能转化为创意任务中更出色的真实世界表现。
  • 在实际工作流中测试模型,是为项目找到最佳选择的最可靠方式。
  • 多模型平台可以让你并排比较顶级模型,无需处理多个账户带来的麻烦。

关键词

gemini 4 argon, arc-agi-3, ai benchmark, gpt-6, claude opus, ai video model, model harness