A Google Gemini 4 Argon modellje közel került az AI-határhoz a legújabb teszteken
A Google DeepMind Gemini 4 Argon modellje kiemelkedő, 97,5 százalékos eredményt ért el az ARC-AGI-3 benchmarkon 4800 dolláros költséggel a speciális Provider Adapter környezetben. A Google ezzel az OpenAI után a második laboratórium, amely átlépte a 95 százalékos küszöböt az általános problémamegoldást vizsgáló teszten, ahol egyedül a GPT-6 Astra ért el magasabb, 99,9 százalékos pontszámot. A 25 nyilvános feladatban az Argon 62 százalékkal kevesebb műveletet igényelt az emberi bázisnál, és három játékban speedrun rekordot döntött vagy állított be. A korábbi teszteken 91,3 (ARC-AGI-2) és 98,5 (ARC-AGI-1) százalékos pontosságot mutatott.
Az eredmények ugyanakkor erősen tesztkörnyezet-függők: a szigorúbb, szabványos Standard Harnessben a modell pontszáma alacsony érvelési szinten 49,8 százalékra esett vissza 5800 dolláros költség mellett, és API-problémák miatt az 55 játékból csak 42-t fejezett be. Az Epoch AI indexén (ECI) az Argon 165 ponttal holtversenyben áll a Fable 5.1-gyel, és alig marad el az Opus 5.5 (167) mögött, jelentősen túlszárnyalva a korábbi Gemini 3.8 Flash 157 pontját. Bár a tudás- és látásalapú feladatokban az élmezőnybe tartozik, a matematika terén csupán a 8., a szoftverfejlesztési rangsorban (SWE ECI) pedig a 6. helyre sorolják.