新智元报道 谷歌，终于把这块最硬的骨头啃下来了。 就在刚刚，ARC Prize官方在X上甩出了一张成绩单： Gemini 4 Argon在号称「AGI终极考场」的ARC-AGI-3上，拿到了 97.5%！ 要知道，就在七个月前，ARC-AGI-3刚上线的时候，所有前沿模型分数全都 不到1% 。 七个月，从全员交白卷到接近满分。 ARC Prize在公告里专门加了一句： 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，一口气通杀 Gemini 4 Argon的成绩单很漂亮。 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%，整套跑下来花了4800美元 三代考题，全部拿下。 放进排行榜里看，这个97.5%只排在OpenAI的GPT-6 Astra（99.9%）后面， 压过了OpenAI 9月底刚交卷的GPT-6.1 Sol（96.37%） 。 也就是说，谷歌只靠一个模型，就挤进了俱乐部。 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，偏偏一个字没提ARC-AGI。 这次接近满分的成绩出来，谷歌也没出面说一个字。 看到97.5%，有人可能会觉得又一次刷榜罢了。 这回还真不一样。 ARC-AGI-3不是传统的选择题、填空题式的AI基准测试。它是一整套 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。 模型被扔进一个完全陌生的小游戏，64×64的彩色格子，7个动作按钮，连按钮干嘛用的都不告诉你。 你得自己去试、自己猜规则、自己发现目标在哪里、自己规划怎么通关。 这考的是，模型 面对从没见过的东西，现学现会的本事。 这种能力人类天生就有。你随便抓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，这恰恰是最怵的。没有现成的数据可以背，没有套路可以套，所有的知识都得在「玩」的过程中临时建构。 七个月，考场被打穿 回顾一下时间线，你才能感受到这件事的速度有多离谱。 3月下旬 ，ARC-AGI-3上线，所有前沿模型不到1%。 9月2日 ，OpenAI的GPT-6 Astra率先破局，在Provider Adapter设置下打到99.9%以上，接近满分，成为第一家破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又拿出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公开游戏里，Argon通关用的行动次数 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来的极限成绩；另外6个，和纪录的差距不到10%。 也就是说，AI不光学会了玩一款没见过的游戏，还玩得比大多数人利索，有几关已经摸到了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，还提到行动效率出现了「反向弯曲」—— 效率提升的速度，比预期还快。 成绩单里的一行小字 不过，这份成绩单后面还藏着一行不起眼的数字。 ARC Prize的推文里，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%。 差出来的这将近 48个百分点 ，全在一个叫「harness」的东西上。 harness是什么？可以理解成给模型配的那套操作台。在交互式游戏里，模型每走一步都要接收环境反馈，再决定下一步。反馈怎么喂进去、动作怎么传出来、前面试过的路怎么记下来，都归这套操作台管。 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的那一套。 一个更反直觉的事情是：标准harness花的钱 更多 ——5800美元，比97.5%那档还贵了1000块。多花了两成的钱，分数却只剩一半出头。 细看标准harness的数据，低推理档49.8%（55个游戏完成42个