LOL下注资料深耕每场比赛均标注赛程阶段与赛制说明，帮助用户快速定位赛事背景。领域，用心服务每一位用户。

谷歌终于攻克了这道最棘手的难题。

就在不久前，ARC Prize官方在X平台上公布了一份成绩单：

Gemini 4 Argon在被称为「AGI终极考场」的ARC-AGI-3测试中，取得了97.5%的得分！

要知道，仅仅七个月前，当ARC-AGI-3刚刚推出时，所有前沿模型的分数都不到1%。

短短七个月，从集体交白卷到接近满分。

ARC Prize在公告中特意强调：Google DeepMind是第二家在ARC-AGI-3上突破95%的AI实验室。

第一家，是OpenAI。

谷歌，又回来了。

三代考题，一举通关

Gemini 4 Argon的成绩单相当亮眼。

• ARC-AGI-1：98.5%，每道题成本0.16美元
• ARC-AGI-2：91.3%，每道题成本0.32美元
• ARC-AGI-3：97.5%，整套测试花费4800美元

三代考题，全部拿下。

放入排行榜中，这个97.5%的成绩仅排在OpenAI的GPT-6 Astra（99.9%）之后，超过了OpenAI 9月底提交的GPT-6.1 Sol（96.37%）。

这意味着，谷歌仅凭一个模型，就跻身这个精英俱乐部。

9月30日Argon发布时，谷歌博客主打的是复杂工作流、编码和网络安全，输出Token上限一口气拉到100万，满篇都是软件工程和Vals Index的成绩，却只字未提ARC-AGI。

这次接近满分的成绩公布后，谷歌同样没有发表任何评论。

看到97.5%，有人或许会认为这不过又是一次刷榜。

但这次情况大不相同。

ARC-AGI-3并非传统的选择题或填空题式的AI基准测试。它是一套交互式游戏环境——没有说明书，没有预设指令，也没有人告诉模型这一关的目标是什么。

模型被投入一个完全陌生的小游戏，64×64的彩色格子，7个动作按钮，连按钮的用途都不告知。

你必须自己去尝试、猜测规则、发现目标所在、并规划通关路径。

这考验的是模型面对全新事物时，即时学习和适应的能力。

这种能力人类天生具备。随便找一个没玩过游戏的普通人，扔进去摸索一会儿，大概率都能通关。

但对AI来说，这恰恰是最棘手的。没有现成数据可背，没有套路可套，所有知识都必须在「玩」的过程中临时构建。

七个月，考场被攻克

回顾时间线，才能体会到这件事的速度有多么惊人。

3月下旬，ARC-AGI-3上线，所有前沿模型得分不到1%。

9月2日，OpenAI的GPT-6 Astra率先突破，在Provider Adapter设置下达到99.9%以上，接近满分，成为第一家突破95%的实验室。Greg Brockman在发布会上直接喊出了那句话：「欢迎来到AGI时代。」

9月29日，OpenAI又推出GPT-6.1 Sol，得分96.37%。一个月内，OpenAI两个模型先后站上95%以上。

9月30日，谷歌发布Gemini 4 Argon。

10月16日，ARC Prize官方公布Argon验证成绩，97.5%。

更能说明问题的是效率数据。

在25个ARC-AGI-3公开游戏中，Argon通关所需的行动次数比人类基线少了62%。其中3个游戏，它追平甚至超过了speedrun纪录——也就是速通玩家刷出的极限成绩；另外6个，与纪录的差距不到10%。

也就是说，AI不仅学会了玩一款陌生的游戏，还玩得比大多数人更利索，有几关已触及顶尖速通玩家的水平。

ARC Prize联合创始人Mike Knoop评价说，Argon是第二个通过Provider Adapter「有效最大化」ARC-AGI-3的模型家族，并提到行动效率出现了「反向弯曲」——效率提升的速度，比预期更快。

成绩单里的一行小字

不过，这份成绩单背后还隐藏着一行不起眼的数字。

ARC Prize的推文中，两种设置的分数并排写在一起：

97.5%，4800美元（Provider Adapter harness） 49.8%，5800美元（Standard harness）

同一个模型，同一套考题，一个97.5%，一个49.8%。

这将近48个百分点的差距，全部源于一个叫「harness」的东西。

harness是什么？可以理解为给模型配备的操作台。在交互式游戏中，模型每走一步都要接收环境反馈，再决定下一步。反馈如何输入、动作如何输出、前面尝试的路径如何记录，都由这套操作台管理。

Provider Adapter，是厂商为自家模型量身定制的接入方式；Standard harness，是考官给所有参赛模型统一发放的那一套。

一个更反直觉的事实是：标准harness花费的金额更多——5800美元，比97.5%那档还贵了1000块。多花了20%的成本，分数却仅剩一半出头。

细看标准harness的数据，低推理档49.8%（55个游戏完成42个），中推理档46.3%（完成46个），高推理档因API问题只跑完19个，连分数都未好意思公布。

中档多跑完了4个游戏，总分反而低了3.5个百分点。思考时间更长，并未换来更高分数。

这并非Argon一家的状况。榜首GPT-6 Astra那个99.9%，同样是在Provider Adapter下考出的；换成标准harness，Astra也只拿到62.7%。

尺子快不够用了

再看另一位选手。Anthropic的Claude系列在ARC-AGI-1和ARC-AGI-2上分数都很高，到了ARC-AGI-3，要么得分偏低，要么干脆没测试。

外界习惯将OpenAI和Anthropic视为双雄争霸，但至少在这块考场上，眼下是OpenAI和谷歌两家的地盘。

但真正值得思考的，已不仅仅是谁的分数高。

一个号称「AGI终极考场」的基准测试，上线时让所有前沿模型集体交白卷，七个月后就被两家巨头做到接近满分——

衡量智能的尺子，被追上的速度一次比一次快。

而那条49.8%的分数线又在提醒所有人：今天拿来比较的，早已不是模型本身的裸智能，而是模型+harness的整套系统。谁会搭建操作台，谁就多拿将近一半的分。

所以，以后看AI榜单，别只看分数，括号里写的是哪种harness，跟分数本身同样重要。

参考资料：

https://x.com/arcprize/status/2110768288523251762

本文来自微信公众号“新智元”，作者：ASI启示录，编辑：所罗门，36氪经授权发布。

LOL下注资料深耕每场比赛均标注赛程阶段与赛制说明，帮助用户快速定位赛事背景。领域，用心服务每一位用户。车辆在整合队伍近期表现、连续比赛安排及备战周期，辅助深度分析。方面，LOL下注资料提供贴心周到的支持。

想了解更多所有资料索引均来源可靠，减少信息碎片化带来的理解成本。相关内容，尽在LOL下注资料。车辆LOL下注资料围绕LOL下注资料不断创新，回应用户的真实需求。

精选LOL赛程内容，LOL下注资料与你一同发现更多精彩。车辆LOL下注资料专注英雄联盟对阵，为用户提供专业可靠的体验。

围绕LOL比赛时间，LOL下注资料持续打磨更优质的服务。