Gemini 4 Argon 闯过 ARC 高分线

最近 Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 上拿到 97.5%，成为继 OpenAI 之后第二家跨过 95% 这条线的实验室。这个成绩放在半年前还挺难想象的，毕竟 ARC 一直被当作通用推理能力的试金石。不过我更关心的是它背后那套测试方式——用到了厂商专属的保留推理和上下文压缩，换句话说，这个分数是在「适配器」加持下跑出来的，换个环境未必复现。

从公开数据看，Argon 和 GPT-6 Astra 在 25 个公开游戏里都比人类基线少用了 62% 的动作，还在三个游戏里追平或打破了速通纪录。这说明它在长程规划和试错效率上确实有质的提升，不再是靠穷举硬堆。但同一份评测也指出，Argon 在数学和软件工程任务上落后于竞争对手，这个短板对做跨境工具和自动化的人来说挺关键。我的判断是，ARC 高分更像一张「入场券」，而不是「毕业证」。厂商适配器让分数好看，可真实业务里没有那么多定制化推理缓存，模型得在冷启动、上下文受限的条件下自己扛。所以看到 97.5% 先别急着换模型，得看它在自己场景里的稳定性和成本。另外 4800 美元一次的评测成本也值得琢磨。这个价位说明高强度推理仍然烧钱，对中小团队来说，把这类模型直接塞进生产链路未必划算。更现实的做法是把它当「疑难杂症处理器」，日常任务继续用便宜模型分流。总的来说，Gemini 4 Argon 把前沿竞争又往前推了一步，但评测方法和成本结构决定了它离普惠还有距离。接下来我会重点观察两件事：一是去掉适配器后的裸分，二是数学和代码能力能不能补上来。这两点才决定它能不能真正进到我们的工作流里。