Результаты Argon в ARC-AGI-3

Gemini 4 Argon набрала 97,5% в тесте ARC-AGI-3, потратив на прохождение $4 800. Этот результат получен с помощью Provider Adapter Harness — среды, которая использует специфичные для поставщика возможности, включая сохранение рассуждений между ходами и уплотнение контекста. По данным ARC Prize, Google DeepMind стала второй лабораторией после OpenAI, преодолевшей порог 95%; выше находится GPT-6 Astra с результатом 99,9%.

В 25 публичных играх ARC-AGI-3 Argon, как и GPT-6 Astra, потребовала на 62% меньше действий, чем базовый показатель людей. Модель сравнялась с рекордом скоростного прохождения или превзошла его в трёх играх, а ещё в шести уложилась в 10% от лучшего времени. В более ранних версиях теста Argon получила 91,3% в ARC-AGI-2 при стоимости $0,32 за задание и 98,5% в ARC-AGI-1 при стоимости $0,16 за задание. Расчёты стоимости основаны на вводной цене $2 за миллион входных токенов и $10 за миллион выходных.

В стандартной среде показатель снизился

В Standard Harness, где между раундами разрешены только простые заметки, Argon показала 49,8% при низком уровне рассуждений; стоимость теста составила $5 800. По данным тестировщиков, сбои API не позволили модели пройти все 55 игр: при низком уровне рассуждений она завершила 42 игры, при среднем — 46. На максимальном уровне Argon прошла только 19 игр, поэтому ARC Prize не опубликовала для него результат. При этом опубликованные показатели по-прежнему охватывают все 55 игр, поскольку включают частичные баллы за прерванные запуски.

Различия между тестовыми средами стали предметом спора после сравнения GPT-5.6 Sol и Claude Opus 5. В стандартной среде GPT-5.6 Sol получила 7,8%, но при тестировании через Responses API с функциями Retained Reasoning и Compaction её результат вырос до 38,3%; Claude Opus 5 в тех же описанных условиях набрала 30,2%. После дискуссии сооснователь ARC Prize Франсуа Шолле разрешил использовать общедоступные настройки API. Подробности сравнения приведены в материале о споре вокруг тестирования.

Оценка Epoch AI: близость к лидерам и отставание в отдельных областях

В Epoch Capabilities Index (ECI), который объединяет более 50 бенчмарков, Argon набрала 165 баллов — столько же, сколько Fable 5.1. Для сравнения, GPT-6 Astra получила 166 баллов, а Opus 5.5 — 167. По оценке Epoch AI, это приближает Google к лидерам сильнее, чем любая модель компании после Gemini 3.1 Pro в феврале 2026 года.

Результаты Argon различаются по областям. По предварительным оценкам Epoch AI, модель лидирует в ряде тестов на знания, работу агентов и зрение, но занимает восьмое место в Math ECI и шестое — в Software Engineering Index (SWE ECI).